Score-CAM
PulseAugur coverage of Score-CAM — every cluster mentioning Score-CAM across labs, papers, and developer communities, ranked by signal.
-
AI模型在视网膜疾病分类和血管分割方面取得高精度
研究人员开发了一种新颖的双管齐下框架，用于分析视网膜眼底图像，结合了疾病分类和血管分割。该框架对八个ImageNet预训练的CNN进行了微调以进行分类，其中ResNet101的准确率最高，达到94.17%。对于分割，对各种U-Net变体进行了基准测试，其中使用ResNet101V2骨干的Attention U-Net表现出卓越的性能，显著提高了DRIVE数据集上的IoU分数。
-
研究人员提出新指标来评估AI可解释性方法
研究人员开发了一种评估卷积神经网络（CNN）可解释性技术的新方法，解决了除了交并比（IoU）之外缺乏稳健指标的问题。该研究提出使用距离度量来比较可解释性方法生成的显著性图与人类标注和众包偏好。在ImageNet吉娃娃数据集上的实验表明，曼哈顿距离和相关性度量最符合人类感知，并将LayerCAM、Score-CAM和IS-CAM确定为更优的可解释性方法。
-
一种基于图增强知识蒸馏的双流视觉Transformer结合区域感知注意力用于胃肠道疾病分类及可解释AI
研究人员开发了一种新颖的双流深度学习框架，用于从医学影像中对胃肠道疾病进行分类。该系统采用教师-学生知识蒸馏方法，结合了用于全局上下文的Swin Transformer和用于细粒度特征的Vision Transformer。学生网络是一个紧凑的Tiny-ViT，在数据集1上达到了0.9978的高准确率，在数据集2上达到了0.9928，AUC为1.0000，同时还提供了更快的推理速度和更低的计算复杂度。可解释性分析证实了该模型依赖于临床…
-
新的深度伪造检测方法应对归因和真实世界退化问题
研究人员开发了一个新的框架，以提高深度伪造检测在真实世界图像退化下的鲁棒性。他们的方法集成了极端复合退化引擎和多流架构，优化了DINOv2-Giant骨干网络以提取不变的几何和语义先验。该方法在NTIRE 2026鲁棒性深度伪造检测挑战赛中获得第四名，它使用专门的纹理、面部特征和语义融合流，聚合预测以稳定注意力并很好地泛化到未见过的数据。