Squeeze-and-Excitation Networks
PulseAugur coverage of Squeeze-and-Excitation Networks — every cluster mentioning Squeeze-and-Excitation Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的OSSE-LSTM框架解决了标签高效时间序列分类问题
研究人员开发了一个名为双流OSSE-LSTM的新框架，用于时间序列分类，即使在标记样本数量有限的情况下也能有效。该方法结合了用于多尺度特征提取的卷积神经网络（CNN）和用于时间上下文的双向LSTM。为了解决稀疏数据下的可解释性需求，该系统引入了用于归因的反事实集成梯度（C-IG），这有助于改进预测并提供对分类决策的洞察。
-
新型AI模型检测隐形眼镜以提高虹膜识别精度
研究人员开发了一种新颖的两阶段框架来检测隐形眼镜，这会影响虹膜识别的准确性。该系统首先使用现有方法识别有图案的镜片，然后采用带有掩码引导空间注意力的ConvNeXt-Base模型来区分隐形眼镜和无镜片的情况。这种方法结合了生理结构掩码和注意力机制，在多个数据集上实现了高精度，并且在与分数校准集成时可以提高虹膜验证性能。
-
EGRNet：具有边缘细化功能的轻量级语义分割网络
研究人员开发了EGRNet，这是一种用于城市环境中实时语义分割的轻量级深度学习模型。该网络利用深度可分离卷积和膨胀残差块来有效捕获多尺度上下文信息。新颖的边缘门控细化模块增强了边界保持能力，而Squeeze-and-Excitation注意力机制则改善了特征表示。EGRNet仅拥有0.46百万个参数，在Cityscapes数据集上实现了65.28%的mIoU，并包含一个轻量级的对抗攻击检测策略以提高鲁棒性。
-
量子电路在人工智能生成模型中展现出潜力和挑战
研究人员正在探索将量子电路集成到人工智能模型中，特别是在图像合成和量子电路优化等生成任务方面。一项关于量子电路合成的研究发现，虽然Transformer模型可以为某些量子电路实现高保真度，但由于自回归漂移，它们在离散门方面难以实现精确等价，尽管数据缩放和推理时间策略可以部分缓解。另一项研究调查了在扩散模型中使用变分量子电路进行图像生成，发现其性能与经典模型相当，但没有明显的参数效率优势。这项工作还识别并解决了基于分数的模型中量子调制器…