Siamese neural network
PulseAugur coverage of Siamese neural network — every cluster mentioning Siamese neural network across labs, papers, and developer communities, ranked by signal.
-
新方法生成用于装配分析的几何二维场景图
研究人员开发了一种新的几何二维场景图生成方法，该方法表示组件之间的装配关系。该方法利用Faster R-CNN模型的输出来创建几何表示，并通过Transformer架构处理以形成邻接矩阵。然后，该矩阵被输入到采用注意力图卷积网络（aGCN）进行消息传递的Siamese网络中，以表征组件连接。该方法在玩具模型组件的小型数据集上进行了验证，并且不需要语义数据。
-
新框架可去除光声CT图像中的伪影
研究人员开发了一种新颖的自监督框架，用于去除光声计算机断层成像（PACT）图像中的伪影。该方法利用了 Siamese 神经网络和复合损失函数，该函数考虑了跨域保真度和不确定性加权一致性。该框架有效地分离了双域特征以过滤掉伪影，在模拟、模型和大小鼠及人体实验数据中均显示出图像质量的显著提高。此外，该方法通过加速的逆算子提供了计算效率。
-
Siamese神经网络预测3D渗流模型中的临界现象
研究人员开发了一种新颖的Siamese神经网络（SNN），旨在用于3D渗流模型中标签高效的临界现象预测。该框架使用最少的标记数据即可准确识别相变和临界指数，甚至无需重新训练即可泛化到不同的晶格结构。SNN能够自主学习量化团簇大小，证明了其在显式序参数未定义的稀疏数据环境中进行临界性检测的潜力。
-
计算机视觉利用SIFT和Siamese网络评估艺术技能
研究人员开发了一种计算机视觉方法，通过将手绘图像与原始模板进行比较来评估艺术绘画技能。该研究实现了并分析了尺度不变特征变换（SIFT）和Siamese神经网络来测量图像相似度。研究结果表明，基于SIFT的关键点匹配是评估绘画熟练度的有效方法，为传统的评估方法提供了一种更简化的替代方案。
-
孪生网络在光网络异常检测中达到99%的准确率
研究人员开发了一种新颖的用于光网络的孪生神经网络。该框架能够实现零日异常检测和单次学习分类，这意味着它可以在没有预先训练的情况下识别和分类新型异常。该系统展示了超过99%的准确率，并能即时适应不同的光路和以前未见的异常类型。
-
新方法使用FinBERT嵌入以改进股市预测
研究人员开发了一种新方法，通过使用FinBERT的高维嵌入而非简单的情绪得分来改进金融预测。他们的基于Transformer的架构结合了Siamese优化的嵌入，与传统的标量基线相比，在短期股票价格变动方面表现出更高的预测准确性。这种方法保留了金融新闻中细微的上下文，从而提高了性能。