Vgg Neural Network
PulseAugur coverage of Vgg Neural Network — every cluster mentioning Vgg Neural Network across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
深度学习模型增强MRI脑卒中病灶检测
研究人员开发了一种名为VRXU-net的新型深度学习模型，用于检测和分割T1加权MRI扫描中的脑缺血性卒中病灶。该模型利用一个基于VGG的分类器在2D切片上识别潜在病灶，然后采用带有残差块的U型分割网络。通过独立处理轴向、矢状面和冠状面，并汇总结果，VRXU-net旨在提高这项具有挑战性的医学影像任务的准确性和效率。
-
FAIR-Pruner框架支持自适应逐层神经网络剪枝
研究人员开发了FAIR-Pruner，一个用于深度神经网络自动、逐层结构化剪枝的新框架。该方法通过使用移除导向和保护导向的信号，自适应地在网络层之间分配稀疏度。在包括视觉模型和Qwen1.5-MoE模型在内的各种数据集和模型架构上的实验表明，FAIR-Pruner实现了强大的精度-压缩权衡。该框架可作为一个开源包使用。
-
深度学习模型在COVID-19图像分类中达到98%的准确率
研究人员对用于从CT和X射线肺部影像中分类COVID-19的各种深度学习架构进行了综合比较。该研究使用了包括VGG、Densenet、Resnet、MobileNet、Xception、EfficientNet和NasNet在内的预训练模型。结果表明，Resnet和VGG架构在区分COVID-19阳性病例与健康肺部方面达到了95%至98%的高准确率，优于以往的文献发现。
-
MambaGaze 框架使用 Mamba-2 进行认知负荷评估
研究人员开发了 MambaGaze，一个利用眼动追踪数据准确评估认知负荷的新框架。该系统利用双向 Mamba-2 有效建模长程时间依赖性，并采用 XMD 编码方法显式处理因眨眼等原因造成的缺失数据。MambaGaze 在基准数据集上的表现优于现有模型，并可在 NVIDIA Jetson 平台等边缘设备上进行实时部署。
-
Evolutionary fine tuning boosts accuracy of quantized deep learning models
Researchers have developed a novel method for improving the accuracy of quantized deep learning models by employing an evolutionary strategy. This approach fine-tunes pre-trained and quantized models by iteratively adju…
-
物理信息U-Net通过高保真重建增强流体插值
研究人员开发了一种新的时序U-Net架构，以改进从稀疏数据中进行流体动力学插值。该模型集成了基于VGG的感知损失和物理信息桥，以解决标准深度学习方法中常见的空间模糊和时间闪烁等问题。通过引入时间加权特征融合并强制执行抛物线边界条件，该模型实现了更平滑的过渡并在端点处保持一致性，在结构保真度和纹理保持方面优于基线模型。
-
Learn&Drop方法通过丢弃层将CNN训练时间减半
研究人员开发了一种名为Learn&Drop的新颖方法来加速卷积神经网络（CNN）的训练。该技术在训练过程中动态评估层参数变化，并通过丢弃未积极学习的层来缩小网络规模。与专注于推理压缩或反向传播优化的现有方法不同，Learn&Drop的目标是减少训练过程中的前向传播操作。在MNIST、CIFAR-10和Imagenette数据集上的VGG和ResNet架构上进行的实验表明，该方法可以在不显著损失准确性的情况下将训练时间缩短一半以上。
-
H-Sets framework uncovers feature interactions in image classifiers
Researchers have developed H-Sets, a new framework designed to uncover and attribute higher-order feature interactions within image classifiers. This method moves beyond analyzing individual features to understand how g…
-
Eugene Yan 详述其非传统的数据科学领导之路
数据科学专业人士 Eugene Yan 分享了他的职业生涯见解，他最初的心理学背景，后来转型到 IBM、Lazada 和 Amazon 等公司的数据科学岗位。他强调了持续学习、自主项目以及抓住机会的重要性，即使这些机会是意料之外的。Yan 还讨论了他通过写作和演讲分享知识的方法，强调真实性和为听众提供有价值的实用细节。