Stare
PulseAugur coverage of Stare — every cluster mentioning Stare across labs, papers, and developer communities, ranked by signal.
-
新的强化学习方法增强大型语言模型训练的稳定性和效率 · 跟踪 7 个来源
研究人员开发了几种新方法来提高大型语言模型 (LLM) 中强化学习 (RL) 的稳定性和效率。STARE 通过根据惊奇度重新加权 token 级优势来解决策略熵崩溃问题，在推理基准测试中显示出更高的准确性。GrowthHacker 利用 LLM 代理自主优化离策略评估 (OPE) 代码，证明了改进 OPE 系统的可行性。ZPPO 将教师模型保留在提示中而不是策略梯度中，从而增强了小型学生模型的知识蒸馏。GD$^2$PO 通过过滤掉具有…
-
为视网膜血管分割开发超轻量级AI模型
研究人员开发了LightVesselNet，这是一种新颖的、超轻量级的神经网络，用于分割视网膜血管。该模型包含不到10万个参数，使其适用于部署在资源受限的设备上，如移动筛查工具。尽管体积小，LightVesselNet在五个公共数据集上的表现与大型模型相比仍具有竞争力，有望在临床环境中实现对糖尿病视网膜病变和青光眼等疾病的早期检测。
-
新的CNN-Mamba网络增强了视网膜血管分割
研究人员开发了一种新颖的混合CNN-Mamba网络用于视网膜血管分割，特别针对识别小血管的挑战性任务。该模型采用多边形扫描视觉状态空间模型（PS-VSS）来更好地保持血管结构的拓扑完整性，并采用时频协同注意力机制（SFCAM）来增强特征提取。在三个公共数据集上进行测试时，该模型取得了具有竞争力的F1分数、AUC值和敏感度。
-
Polygon-mamba网络改进视网膜血管分割
研究人员开发了一种名为Polygon-mamba的新型混合CNN-Mamba网络，用于分割视网膜小血管，这项任务对于诊断眼部疾病至关重要。该模型采用多边形扫描视觉状态空间模型（PS-VSS）来更好地保持小血管的连通性，克服了传统水平-垂直扫描的局限性。此外，还使用了时频协同注意力机制（SFCAM），通过整合空间和频域信息来增强特征提取。在三个公开数据集上进行测试，Polygon-mamba取得了具有竞争力的性能，F1分数约为0.828…
-
GIFGuard 引入时空水印检测 GIF 中的深度伪造
研究人员推出 GIFGuard，一个新颖的时空水印框架，旨在打击动画 GIF 中的深度伪造。该系统解决了现有取证工具的局限性，这些工具通常是为静态图像设计的。GIFGuard 采用时空自适应残差编码器 (STARE) 进行鲁棒水印嵌入，以及深度完整性恢复解码器 (DIRD) 进行准确提取，即使在存在大量面部操纵的情况下也能实现。该项目还包括创建 GIFfaces，一个用于 GIF 主动取证研究的新大型数据集。