VGG 19
PulseAugur coverage of VGG 19 — every cluster mentioning VGG 19 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新分析量化了SAM对平坦最小值的偏差
研究人员分析了Sharpness-Aware Minimization (SAM)在改善模型泛化能力方面的隐式偏差。他们的线性稳定性分析揭示了SAM的扰动半径($\rho$)、批量大小($b$)和学习率($\eta$)之间的定量关系，表明这些参数会影响SAM所寻求的最小值的平坦度。在ResNet-18和VGG-19模型上对CIFAR-100进行的实验验证了这些发现，表明增加$\rho$与更小的Hessian特征值相关。该研究还引入了T…
-
新方法优化边缘设备上的深度神经网络，在精度损失极小的情况下降低延迟
研究人员开发了一种新的方法，用于优化边缘设备的深度神经网络架构，重点在于满足严格的延迟约束同时保持高精度。该方法利用了面向延迟的学习技术和硬件定制的延迟预测器，实现了单次训练过程。实验表明，在NVIDIA Jetson平台上，GoogLeNet和VGG-19等模型的延迟显著降低，而精度损失极小甚至有所提高。
-
新的剪枝方法在单个训练周期中创建稀疏神经网络
研究人员开发了一种在单个训练周期中创建稀疏神经网络的新方法，这比需要多个周期的现有技术有了显著改进。这种渐进式基于幅度的剪枝方法在训练过程中逐渐增加稀疏性，在各种架构和数据集上，与乐透假说（LTH）、SNIP 和 GraSP 等成熟方法相比，实现了具有竞争力的或更优的准确性。该方法表明，即使在极高的稀疏度水平下也能保持高准确性，为模型压缩提供了一种有效的替代方案。
-
AI方法提高了植物生长阶段估算的准确性
研究人员开发了两种新颖的特征提取方法，用于估算植物生长阶段，这对于优化精准农业中的资源利用至关重要。一种方法采用Gabor滤波器和形态学运算，另一种方法通过迁移学习利用预训练的卷积神经网络（CNN）。在油菜和萝卜数据集上的测试表明，CNN特征实现了更高的准确性和速度，最佳系统在0.08秒内达到了98.4%的准确率。
-
Hyperflux 方法提供可理解的神经网络剪枝
研究人员推出了一种新颖的网络剪枝方法 Hyperflux，该方法将剪枝过程建模为一个不断演变的系统。该方法使用“通量”（权重移除的梯度响应）和“压力”（全局正则化）来驱动权重进行剪枝。Hyperflux 旨在提供在微观和宏观层面都更易于理解的剪枝过程，并在标准数据集和网络架构上取得了有竞争力的结果。
-
机器学习增强核物理事件分类
研究人员将机器学习模型（包括ResNet和VGG）应用于使用MATE-TPC进行的涉及12C + 12C反应的核物理实验中的事件分类。这些模型在模拟数据上达到了约97%的准确率，在实验数据上达到了约90%的准确率，在识别特定事件方面优于传统方法。此外，还开发了一个用于反应顶点重建的CNN模型，证明了机器学习技术在分析复杂核反应数据方面的有效性，并为未来的研究铺平了道路。
-
深度学习模型在COVID-19 CT影像病灶预测方面达到高准确率
研究人员评估了用于预测CT扫描中COVID-19病灶的深度学习架构，解决了医学图像分割中标准化性能分析的缺乏问题。该研究整合了四个分割框架（Unet、PSPNet、Linknet、FPN）和六个预训练编码器，创建了多样化的测试架构。对三个COVID-19 CT数据集的分析显示出高精度，二元分割的最大F1分数达到98%，多类别分割的分数分别为75%和77%，证明了AI在疫情疾病诊断方面的增强作用。