ResNet50
PulseAugur coverage of ResNet50 — every cluster mentioning ResNet50 across labs, papers, and developer communities, ranked by signal.
- 2026-06-17 research_milestone A new two-stage fine-tuning method for ResNet50 was published on arXiv for improved melanoma detection. 来源
8 天有情绪数据
-
新框架使用扩散模型为5G系统合成真实的网络物理攻击
研究人员开发了Diff-DDoS，一个旨在提高5G赋能系统网络物理攻击检测能力的新框架。该框架利用表格扩散模型合成真实的攻击数据，解决了标记攻击样本稀缺的问题。通过采用对抗性扩散训练（ADT），Diff-DDoS旨在提高入侵检测器对自适应对手的鲁棒性，在各种攻击场景下与现有方法相比，F1分数有了显著提高。
-
基于概念的可解释人工智能揭示深度神经网络的弱点和数据集偏差
研究人员探索了使用基于概念的可解释人工智能（CXAI）方法来理解多标签图像分类中深度神经网络（DNN）的学习弱点和偏差。通过在 MS-COCO 数据集上训练 VGG16 和 ResNet50 模型，并应用 CRP 和 CRAFT 等 CXAI 技术，研究发现更高的概念区分度可以减少标签和概念中的混淆。分析还强调了数据集中环境概念如何暴露模型固有的偏差。
-
新的CoLoRA方法为CNN提供高效微调
研究人员推出了一种新颖的、参数高效的微调方法CoLoRA，该方法专为卷积神经网络（CNN）设计。该技术通过将卷积核更新分解为轻量级的深度卷积和逐点卷积组件，将LoRA的原理扩展到了卷积层。与完全微调相比，CoLoRA显著减少了可训练参数数量（超过80%），同时保持了原始模型大小和推理复杂度。在OCTMNISTv2等医学成像数据集上，使用VGG16和ResNet50等模型进行的实验表明，CoLoRA在分类性能上具有竞争力。
-
新型 Mamba 网络架构提升掌静脉生物识别性能
研究人员为掌静脉生物识别开发了一种新的拓扑感知全局-局部 Mamba 网络架构。该方法将多尺度局部特征与结构引导的方向流和全局路径相结合，在基准数据集上实现了高精度。与 ResNet50 和 GLVM 等现有模型相比，所提出的方法在准确性和参数数量方面表现出竞争力。
-
新框架整合AI用于工业缺陷检测和报告
一篇新研究论文介绍RobustDefect-LLM，一个整合深度学习与决策支持和AI辅助报告的工业表面缺陷分类框架。该系统使用四个卷积神经网络，其中MobileNetV3-Large在NEU-DET数据集上达到了99.26%的最高准确率。虽然在名义条件下鲁棒，但模型在严重图像退化下的准确率显著下降。该框架包含一个针对低置信度预测的人工审查系统，并生成通过确定性一致性检查的报告。
-
新的拓扑感知骨干网络增强掌静脉生物识别
研究人员开发了一种新颖的拓扑感知全局-局部骨干网络，用于掌静脉识别这一细粒度生物识别任务。该方法将多尺度局部特征与结构引导的方向流以及使用六个拓扑感知块的全局路径相结合。该系统在公共数据集上实现了高精度，在参数数量和EER方面优于ResNet50和ViT-S等现有方法。
-
新的Hear to See方法推进了音频-视觉实例分割
研究人员开发了一种名为Hear to See (H2S)的新方法，以改进音频-视觉实例分割。该技术解决了将重叠的声音事件与视觉实例匹配以及处理音频和视觉信号之间时间错位等挑战。H2S利用声学语义投影仪来解缠混合音频并建立分层对应关系，并利用音频调制的Mamba异步动态调制器进行自适应状态转换，以实现鲁棒跟踪。
-
病理学基础模型在有丝分裂计数检测方面展现潜力
研究人员探索了病理学基础模型（FMs）作为有丝分裂计数检测编码器的有效性，将其应用从通常的分类任务扩展开来。该研究将几种基础模型，包括H-optimus-0和Virchow模型，与ResNet50基线进行了比较，并将它们集成到不同的检测架构中，如RetinaNet、Faster R-CNN和Deformable DETR。结果表明，H-optimus-0和Virchow模型表现出具有竞争力的性能，这表明通过图像级自监督训练的基础模型潜…
-
ResNet50 在 X 光片肺部疾病分类方面优于 VGG 模型
研究人员探索了深度学习模型 VGG16、VGG19 和 ResNet50 对 X 光图像肺部疾病进行分类的有效性。该研究在大型 X 光图像数据集上训练了这些模型，以识别肺炎、肺结核和肺癌等病症。结果表明，虽然所有模型表现良好，但 ResNet50 在疾病分类方面表现出更高的准确性和效率。
-
从头开始训练的CNN模型与预训练模型相比存在显著差距
一项在Food-101数据集上比较两个卷积神经网络（CNN）的实验揭示了使用预训练权重的重要优势。从头开始训练的TinyVGG在30个epoch后仅达到23%的准确率，而利用ImageNet预训练权重并仅训练分类器头的ResNet50在同期内达到了超过65%的准确率。初始训练epoch就显示出显著差异，TinyVGG为2%，ResNet50为52%，凸显了预训练模型中嵌入的先验知识的价值。
-
医疗视觉语言模型未能为X射线预测提供忠实的视觉解释
arXiv上发表的一项新研究发现，当前的医疗视觉语言模型（VLMs）在对胸部X射线进行预测时，未能提供忠实的视觉解释。研究人员评估了几种VLMs，包括MedGemma-4B变体、LLaVA-RAD和Qwen3-VL-8B-Instruct，以及CheXagent-2-3b等专业模型和传统分类器。研究结果表明，虽然一些VLMs使用了图像数据，但它们的注意力热图并未准确反映对其预测至关重要的图像区域，并且它们经常遗漏标注的解剖结构。这表明…
-
Smart Scissor 框架在提高精度的同时降低了CNN的成本
研究人员开发了“Smart Scissor”，一个旨在提高卷积神经网络（CNN）在嵌入式硬件上效率的新框架。该方法通过动态裁剪前景对象来解决图像中的空间冗余，保留了简单分辨率缩放可能丢失的关键细节。此外，它通过压缩深度、宽度和分辨率的复合收缩策略来解决CNN中的计算冗余。实验表明，Smart Scissor 将 ResNet50 的计算成本降低了 41.5%，同时将准确率提高了 0.3%，优于最先进的 HRank 框架。
-
GlacierCastAI 利用卫星图像和气候数据预测冰川退缩
研究人员开发了 GlacierCastAI，这是一种新颖的深度学习模型，旨在利用多模态卫星图像和气候数据的组合来预测冰川退缩。该模型整合了来自 Landsat 计划和 ERA5 气候变量的数据，以及 Copernicus DEM 地形特征，以预测冰川边界。一项消融研究表明，纳入 ERA5 气候信号可以提高预测精度，表明大气强迫在预测冰川变化中的重要性。GlacierCastAI 的表现显著优于传统基线模型，并在理解冰川退缩的驱动因素方…
-
新的AG-EfficientNet改进了监控图像中的罪犯识别
研究人员开发了一个名为AG-EfficientNet的新框架，以改进监控图像中的罪犯识别。该模型集成了EfficientNet-B0和卷积块注意力模块（CBAM），以便在低分辨率和运动模糊等挑战性条件下更好地学习面部特征。该系统还采用了多尺度特征融合策略和混合Softmax-Triplet优化来增强身份区分能力，在基准数据集上达到了98.2%的识别准确率。
-
学生寻求改进不一致的糖尿病视网膜病变AI模型的建议
一位计算机工程专业的学生正在寻求改进一个在APTOS 2019数据集上训练的5类糖尿病视网膜病变检测模型的建议。该模型表现出不一致的预测，将中度（Moderate）等类别错误地分类为重度（Severe）或增殖性（Proliferative），并且即使在预测错误的情况下也表现出高置信度，尤其是在训练数据集之外的图像上。该学生已经尝试了各种预训练模型、预处理技术和测试时增强（test-time augmentation），现在正在考虑集成…
-
深度学习模型在自动化脑肿瘤检测中达到97%的准确率
研究人员开发了一种使用卷积神经网络（CNN）和残差网络（ResNet）的深度学习方法，用于自动化MRI图像中的脑肿瘤检测。该研究应用了预训练的ResNet18和ResNet50模型的迁移学习来进行扫描分类，达到了高准确率。对近4000张图像数据集的实验表明，ResNet18表现略好，准确率达到97%，这表明其对于样本量有限的医学数据非常有效。该方法旨在为早期脑肿瘤诊断提供一种更快、更准确、更具成本效益的工具。
-
新的 LaryngealCT 数据集为癌症分期深度学习设定基准
研究人员开发了 LaryngealCT，这是一个用于使用深度学习模型对喉癌进行分期的新基准数据集。该数据集包含从癌症影像数据库 (The Cancer Imaging Archive) 收集的 1,029 张 CT 扫描图像，并已用于对六种不同的 3D 深度学习架构进行基准测试。定制的 3D CNN 在对癌症早期与晚期进行分类时取得了最佳性能，而其他模型在识别 T4 期疾病方面显示出潜力，尽管对这一晚期疾病的敏感性仍然是一个挑战。
-
ResNet50微调以增强黑色素瘤检测
研究人员开发了一种新颖的两阶段微调方法，用于ResNet50模型，以提高从皮肤镜图像中检测黑色素瘤的能力。该方法通过首先仅训练分类头，然后以低学习率微调所有层来解决类别不平衡和次优迁移学习等挑战。该模型实现了0.9559的高AUC-ROC，与单阶段微调相比，在灵敏度方面有了显著提高，并提供了一个完全可部署的Streamlit应用程序。
-
深度学习模型在肺癌诊断中准确率高但推理方式不同
arXiv上发表的一项新研究探讨了用于肺癌诊断的深度学习模型的可解释性。虽然三种不同的模型（CNN、ResNet50和ViT）显示出高预测准确率，其中ResNet50达到98.61%的准确率，所有模型都达到0.99的ROC-AUC得分，但它们的推理过程却存在显著差异。研究人员使用LIME进行可解释性分析，发现模型对之间的解释相关性低于0.26，这表明模型关注的图像区域不同以得出预测结果。这表明仅凭预测一致性不足以验证临床AI系统，可解…
-
新框架ReLiF改进了多任务学习中的公平性评估
研究人员开发了一个名为ReLiF的新框架，以解决多任务学习（MTL）中Lipschitz公平性评估的问题。该框架引入了固定delta审计，它使用共享的参考容差来跨不同算法进行一致的比较。在临床和密集预测基准上的实验表明，ReLiF可以揭示可能被依赖于方法的阈值所掩盖的效用-公平性权衡。