PulseAugur
中
实时 20:12:57
实体 UPerNet

UPerNet

PulseAugur coverage of UPerNet — every cluster mentioning UPerNet across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 8
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 8
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 8 条
  1. TOOL · CL_357679 ·

    新数据集GingivitisSeg为牙齿炎症检测的AI设定基准

    研究人员推出了GingivitisSeg,这是一个用于分割口腔内图像中牙龈炎的新公共数据集和基准。该数据集包含961张带有像素级标注的图像,分为训练集、验证集和测试集。评估了七种不同的语义分割模型配置,其中使用ResNet50的UPerNet在平均交并比(mIoU)方面表现最佳。然而,在应用Holm校正后,顶级模型之间的性能差异没有统计学意义。

  2. TOOL · CL_301239 ·

    新的对比不确定性学习提高了MRI分割精度

    研究人员开发了一种名为对比不确定性学习(CUL)的新框架,以提高前列腺MRI解剖结构分割的准确性。CUL利用预测不确定性来指导表示学习,区分可靠区域和模糊区域。该方法在大型数据集上使用带有UperNet架构的ViT进行了测试,显示出可比的整体准确性,但在关键解剖结构上的表面距离误差显著降低。消融研究证实了不确定性引导采样和对比目标对于CUL提高分割鲁棒性的有效性是必要的。

  3. TOOL · CL_275239 ·

    新研究将AI视觉模型与人类物理推理进行比较

    研究人员开发了一种新方法,用于比较计算机视觉模型学习到的物体表征与人类的物体表征。通过对178名和50名人类参与者分别进行碰撞时间和变化检测任务,他们发现经过中等时长训练的模型更能匹配类似人类的粗略、体积物体表征。更大的模型更早实现了这种对齐,表明这些表征在通用视觉模型中资源受限的情况下出现。这项工作建立了一个将视觉模型与人类认知对齐的框架,并突显了当前AI能力与人类理解之间日益扩大的差距。

  4. TOOL · CL_206118 ·

    新的HAFR-Net框架改进了超高分辨率遥感图像分割

    研究人员开发了一个名为HAFR-Net的新框架,用于分割超高分辨率遥感图像。该网络自适应地组织和细化预训练编码器的层次表示,而不是用标准解码器替换它们。它结合了异质性引导阶段自适应融合(HG-SAF)和频率残差适配器(FRA)来提高特征利用率和准确性。HAFR-Net在多个基准数据集上取得了最先进的成果,优于UPerNet等现有方法。

  5. TOOL · CL_108143 ·

    视觉基础模型应用于高分辨率洪水测绘

    研究人员开发了一种使用从卫星图像改编的视觉基础模型进行洪水测绘的方法。该模型名为Prithvi-2.0-UPN,在RGB数据集上进行了微调,并在对新洪水事件的零样本迁移学习中取得了最先进的结果。使用少量数据进行进一步微调显著提高了性能,表明其在厘米级洪水测绘方面具有强大的迁移能力。

  6. TOOL · CL_114360 ·

    视觉基础模型改进了从RGB图像进行的洪水测绘

    研究人员开发了一种使用航空RGB图像进行洪水测绘的新方法,该方法利用了一个名为Prithvi-2.0-UPN的视觉基础模型。该模型在卫星数据上进行了预训练,展示了强大的泛化能力,在BlessemFlood21和NeuenahrFlood等洪水数据集上取得了最先进的成果。研究表明,Prithvi-2.0-UPN在零样本迁移到新的洪水事件方面优于现有模型,并且可以通过最少量的额外训练数据快速提高其性能。

  7. RESEARCH · CL_93354 ·

    AI 通过新框架和技术推动医学图像分割发展 · 跟踪 8 个来源

    研究人员正在开发先进的医学图像分割 AI 框架,重点是提高准确性和效率。Hi-Seg 通过人机协作增强了用于肺结节分割的 Segment Anything Model (SAM),实现了高 Dice 分数并缩短了标注时间。PU-UNet 引入了稳定的乘法交互用于医学图像分割,在保持效率的同时提高了 Dice 和 IoU 分数。CSWinUNETR 使用交叉条纹自注意力机制和多尺度模块来处理薄的解剖结构,性能优于现有方法。此外,SegD…

  8. RESEARCH · CL_65189 ·

    LALE架构提升土地覆盖估算效率

    研究人员开发了LALE,一种新颖的轻量级Transformer架构,旨在从遥感影像中高效估算土地覆盖。该架构将其编码器一分为二,使用ConvMixer阶段处理高分辨率图像中的局部细节,并使用Transformer阶段处理下采样特征中的全局上下文。LALE旨在平衡性能与计算效率,在ARAS400k基准测试中表现优于现有模型,参数量和计算成本显著降低。