U-Net
PulseAugur coverage of U-Net — every cluster mentioning U-Net across labs, papers, and developer communities, ranked by signal.
- used by ResNet-34 90%
- instance of Medical Image Segmentation 90%
- used by AlphaEarth 90%
- used by Sentinel-2 90%
- used by GeoAI 90%
- instance of Brain Tumor Segmentation Using Convolutional Neural Networks in MRI Images 90%
- used by Sentinel-1 80%
- used by DagsHub 70%
- used by Gotit.pub 70%
- used by ScienceCast 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
12 天有情绪数据
-
新的DEX方法提高了神经网络推理的能效
研究人员开发了一种名为DEX（Digit-Level Early Exit，数字级提前退出）的新方法，以提高神经网络推理的能效，特别是用于脑肿瘤分割的U-Net模型。该方法利用Most-Significant-Digit-First（MSDF，最高有效数字优先）算术，通过在完全计算完成之前根据输出数字做出决策来动态减少计算量。DEX包含四种运行时机制，包括精确的提前负数检测和校准跳过，这些机制共同作用，在不显著影响分割精度的情况下，将…
-
FCBNet 在航空影像中提供参数高效的杂草检测
研究人员开发了 FCBNet，这是一种参数高效的卷积神经网络，用于检测多光谱航空影像中的伪装杂草。该模型采用冻结的 ConvNeXt 主干和新颖的特征校正块 (FCB) 进行高效特征精炼，并结合轻量级解码器。FCBNet 在 WeedBananaCOD 和 WeedMap 数据集上表现出卓越的性能，mIoU 超过 85%，并且优于 U-Net 和 SegFormer 等模型，由于其参数高效的设计，所需的训练时间和内存显著减少。
-
新的MeCSAFNet架构改进了多光谱土地覆盖分割
研究人员推出了一种新颖的多编码器架构MeCSAFNet，专为多光谱图像的语义分割（特别是土地覆盖分类）而设计。该网络利用双ConvNeXt编码器独立处理可见光和非可见光光谱通道，然后融合它们的特征。该融合过程通过注意力机制和专门的激活函数得到增强，以确保稳定的优化。在基准数据集上的实验表明，与U-Net和SegFormer等现有模型相比，MeCSAFNet在平均交并比（mIoU）方面取得了显著的改进，其紧凑型变体为资源受限的应用提供了效率。
-
新的SANet模型增强了红外小目标检测能力
研究人员开发了SANet，一种用于红外小目标检测的新型选择性注意力网络。该网络采用双路径语义感知模块来捕捉局部空间细节和更广泛的上下文信息，同时空间和通道注意力机制对特征进行细化，以更好地区分目标和背景。SANet还包含一个自适应特征集成模块，以增强显著区域并减少误报。在三个基准数据集上的实验表明，与现有方法相比，SANet在准确性和误报率方面表现更优。
-
新的QBAE架构增强了医学图像异常检测能力
研究人员开发了准二值化自编码器（QBAE），这是一种用于医学图像异常检测的新型架构。该方法利用准二值化（QB）层施加一个与网络架构无关的信息瓶颈，限制了图像与其重建之间的互信息。这种方法可以防止网络学习恒等映射并有效识别异常。QBAE采用U-Net架构实现，在MedIAnomaly基准测试上达到了0.828的平均AUROC，并在BraTS2021上取得了最佳结果。
-
SimCortex v2 深度学习框架从 MRI 重建大脑表面
研究人员开发了 SimCortex v2，一个用于从磁共振成像 (MRI) 数据重建皮层表面的深度学习框架。这种新方法同时重建左右白质和软脑膜表面，旨在减少自相交和碰撞等几何伪影。在多样化数据集上进行评估，SimCortex v2 在显著减少伪影的同时，展现出与现有方法相当的准确性，并且源代码和预训练权重已公开提供。
-
新型PRUE模型增强了农业领域的田界分割能力
研究人员开发了PRUE，一种用于大规模分割田界的新颖方法，这对于农业监测至关重要。他们的研究系统地评估了18个分割和地理空间基础模型，发现一个U-Net模型，通过复合损失函数和有针对性的数据增强得到增强，其性能优于其他架构。该实用框架在Fields of The World基准测试中实现了76%的IoU和47%的object-F1，为田界划分提供了可靠且可重现的方法。
-
新的谱扩散策略提高了图像生成质量
研究人员开发了一种新颖的能量自适应噪声调度和白化策略，用于图像生成的谱扩散模型。这项新方法在提交给arXiv的论文中进行了详细介绍，旨在通过将前向扩散过程与自然图像的光谱能量分布对齐，来提高扩散模型的效率和质量。在CIFAR-10数据集上的实验显示，Fréchet Inception Distance显著降低，表明图像生成能力得到增强。
-
GeoAI框架绘制威胁夏威夷基础设施的入侵树种
一项新研究介绍了一个GeoAI框架，用于绘制夏威夷基础设施暴露于入侵性Albizia树的风险图。该框架利用具有ResNet-34骨干的U-Net卷积神经网络，从航空影像中识别和绘制Albizia树冠。这个空间决策支持工具旨在通过提供关于这些入侵树种分布的全面数据，来优先考虑植被管理和灾害缓解工作，这些树种因易受风倒而构成重大威胁。
-
联邦学习框架适应低资源医疗成像站点
研究人员开发了 Fed-ADApt，一个新颖的联邦学习框架，专为医学图像分割设计，能够适应不同机构之间变化的计算资源。该方法允许低资源站点通过调整模型的深度以适应其本地计算预算来参与协作模型训练。Fed-ADApt 在 3D 脑肿瘤分割和 2D 视网膜眼底盘分割方面表现出有竞争力的性能，显著降低了训练成本和推理时间，同时保持了稳健的全局模型准确性。
-
DeepStratNet框架将地震层位追踪从分割重构为回归
研究人员开发了DeepStratNet，一个新颖的地震层位追踪框架，将任务从密集语义分割重构为有界坐标回归。该方法直接预测每个横向位置的地层的时间/深度坐标，并结合LSTM模块来模拟切片间的上下文并确保连续性。该方法在来自新西兰的地震数据上进行了评估，与传统的分割方法相比，在定量和定性性能上均表现更优，尤其是在稀疏标签条件下。
-
新的主动学习框架增强了机器人世界模型
研究人员推出了一种新颖的主动学习框架ConfAL-WM，旨在增强机器人领域中以动作条件约束的世界模型。该方法采用置信度引导方法来识别和优先处理关键的再训练区域，例如机械臂、被操纵的物体和被遮挡的区域。在RoboTwin2.0数据集上的实验表明，ConfAL-WM在训练后质量方面有所提升，并且与现有的评分基线相比，在重建和语义理解方面提供了互补的收益。
-
主动学习增强了可微神经架构搜索在3D医学图像分割中的应用
研究人员开发了Active-DiNTS，一种将主动学习与可微神经架构搜索（NAS）相结合的新方法，用于3D医学图像分割。该方法联合优化网络拓扑和标签策展，显著降低了对大量标注预算和多GPU集群的需求。通过使用熵、方差或标准差等不确定性信号对未标记数据进行排序，Active-DiNTS能够有效地选择需要标注的卷，从而在Medical Segmentation Decathlon等基准测试中提高分割精度。
-
新型MRFFU-Net架构提高了MRI分割精度
研究人员开发了一种名为多分辨率特征融合U-Net（MRFFU-Net）的新型深度学习架构，旨在改进磁共振成像（MRI）扫描的分割。这种新颖的架构将多分辨率特征融合模块集成到类似U-Net的模型中，增强了其捕捉细粒度细节和全局上下文信息的能力，这对于分割具有不规则边界和不同对比度的复杂解剖结构至关重要。MRFFU-Net在脑脊液分割的脊柱MRI扫描数据集和Medical Segmentation Decathlon的心房分割数据集上进行…
-
新的U-Net模型CASPER通过数据高效降尺度改进极端高温预测
研究人员开发了一个名为CASPER的U-Net模型，该模型可以将大气数据降尺度到公里级，用于预测极端高温事件。模型的准确性与到训练数据的气候距离直接相关，随着距离的增加，误差呈线性增长。通过在目标气候跨度的数据上训练CASPER，可以用显著减少的模拟时间来维持准确性，从而使公里级降尺度更加容易实现。这种方法在改进区域预测方面也显示出潜力，例如通过局部模拟来减少温哥华热浪预测中的误差。
-
新的FaceLinkGen攻击暴露隐私系统中的身份泄露问题
研究人员开发了一种名为FaceLinkGen的新型基于蒸馏的攻击方法，该方法可以从隐私保护的人脸识别和匿名化系统中重新识别出个人。该攻击训练一个面部识别模型，将受保护的输入映射回标准面部嵌入，从而能够以高接受率在MinusFace、PartialFace和DecoyFace等系统上重新生成原始面部。FaceLinkGen展示了跨各种方法的显著身份泄露，即使是那些能抵抗其他类型攻击的方法，并且在训练数据有限的情况下仍然有效。
-
基于无人机的AI模型提高了农业位移测量精度
研究人员开发了一种利用U-Net架构的新型算法，通过无人机摄影测量精确测量农业区域的垂直位移。该方法采用异方差回归来预测高程校正及其相关不确定性，相比传统的地面滤波技术有所改进。评估显示，U-Net方法取得了略微更好的性能，在一个数据集中，其RMSE为6.1厘米，异常值百分比为0.2%，而基准算法的RMSE为7.7厘米，异常值百分比为0.3%。
-
新的 MRI 增强方法对下游分割任务显示出不同影响
研究人员开发了一种新的增强低场脑 MRI 扫描的方法，重点是改进组织分割等下游分析。他们为轻量级循环卷积增强器开发的物理引导训练流程，在两个数据集上与 U-Net、Swin-UNet 和小波令牌混合分割器进行了测试。结果表明，增强方法显著提高了 ABIDE 数据集上的小波分割器性能，但降低了 U-Net 分割器的性能，而 Swin-UNet 则保持不变。在 IXI 数据集上，增强方法普遍降低了 Dice 分数，特别是对 CSF 分割，…
-
Delta-K 框架提升扩散模型中的多实例生成
研究人员推出了一种新颖的推理框架 Delta-K，旨在增强扩散模型中复杂多实例场景的生成。这种即插即用方法通过增强交叉注意力的 Key 空间来工作，专门针对并注入缺失概念的语义签名。通过使用轻量级的视觉语言模型，Delta-K 分离出差分键（$\Delta K$），然后将其集成到生成过程的早期，将噪声稳定地构建成结构，而不会改变现有概念。实验表明，Delta-K 在不使用空间掩码或额外训练的情况下，提高了 DiT 和 U-Net 等各…
-
TRACE框架使用射频测量实现无线数字孪生的自校准
研究人员开发了TRACE，一个使用射频测量来自校准无线数字孪生的新框架。该系统解决了现有数字孪生中的不准确性，这些不准确性通常源于不完美的3D环境模型。TRACE通过射线追踪孪生、反投影测量和模拟的射频数据以及提取建筑物周围的局部区域来对齐物理世界和数字孪生之间的残差误差。然后，一个多视图校正器融合证据，预测建筑物参数的校正，从而显著提高位置和方向的准确性。