Swin UNet
PulseAugur coverage of Swin UNet — every cluster mentioning Swin UNet across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
新研究质疑表面水体分割中评估人工智能模型的标准指标
一篇新论文探讨了表面水体分割模型评估的细微差别，超越了像IoU这样的简单聚合指标。研究强调，虽然聚合分数可以对配置进行排名，但它们无法解释性能差异、排名稳定性或输入依赖性。该研究使用了Sen1FLOODS11和GEOID-Flood等数据集，证明模型排名可能因种子和地理加权而异，并且像Swin-UNet和U-Net这样的不同架构显示出不同的辅助输入排名。最终，该论文主张采用更基于证据的方法进行性能评估，以匹配所做的声明。
-
新型混合CiUNet模型增强医学图像分割
研究人员开发了CiUNet，一种用于医学图像分割的新型混合架构，它结合了Swin Transformer和卷积神经网络（CNN）的优势。该模型旨在通过集成CNN编码器来捕获局部纹理特征，并结合Swin Transformer的推理能力，从而提高临床部署的准确性和效率。该架构采用非对称特征融合和跨层跳跃连接来增强细节恢复，并结合新的损失函数和辅助监督头以实现更好的训练稳定性和边界描绘。在Synapse数据集上的实验表明，CiUNet在D…
-
人工智能与红外成像技术提供无辐射的儿童骨骼创伤诊断方案
研究人员提出了一种结合红外（IR）成像和人工智能的新方法，旨在为儿童骨骼创伤诊断提供一种无辐射的替代方案。该方法利用各种红外光谱窗口和深度学习技术，将非电离红外数据转化为合成X光片重建。尽管该方法在便携式、非电离诊断硬件方面展现出潜力，但在构建红外/X光配对数据集、应对人工智能医疗器械监管以及标准化采集协议方面仍面临挑战。
-
在数据有限的情况下，CNN在树冠分割方面优于Transformer
研究人员使用仅包含150张图像的极小数据集，研究了YOLOv11、Mask R-CNN、DeepLabv3、Swin-UNet和DINOv2等五种不同深度学习架构在树冠分割任务上的有效性。他们的发现表明，在数据稀疏的情况下，预训练的卷积神经网络模型（特别是YOLOv11和Mask R-CNN）比基于Transformer的模型表现出更强的泛化能力。该研究表明，在没有大量预训练或增强的情况下，Transformer架构在极端数据稀缺的情…
-
地球系统基础模型整合多样化数据用于气候预测
研究人员开发了地球系统基础模型 (ESFM)，这是一个开源框架，旨在整合和预测多样化的地球系统数据。ESFM 基于 Aurora 模型架构，并采用了处理异构数据的新方法，包括来自卫星和站点源的缺失值。该模型利用轴向注意力捕捉变量间的依赖关系，并通过对单个变量进行分词以方便适应新任务，在与现有基准的比较中表现出具有竞争力或更优的性能。