Vgg16
PulseAugur coverage of Vgg16 — every cluster mentioning Vgg16 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型防御“组合锁”应对多触发器AI后门攻击
研究人员开发了一种名为“组合锁”(Combinatorial Lock)的新型防御机制,以对抗AI引擎中的多触发器后门攻击。这种无需训练的方法将识别多个异构攻击触发器视为一个组合问题,利用二元激活签名。该系统集成了异常门控光谱擦除和哈希压缩组合签名,在保持高干净准确率的同时,显著降低了攻击成功率,并适用于各种模型架构。
-
新型CNN模型提供轻量级、可解释的皮肤癌检测
研究人员开发了一种新的轻量级、基于注意力机制的卷积神经网络(CNN),用于皮肤癌的早期检测。该模型命名为CNN-Attention,集成了通道注意力机制,可以在保持计算量小的前提下,精确定位皮肤镜图像中的关键区域。在对超过3300张图像的数据集进行的测试中,该模型达到了87%的准确率,与MobileNet等成熟模型相当,但参数量和存储空间显著减少。该框架还集成了显著性图谱以提高可解释性,能够可视化模型诊断决策所依据的图像区域。
-
CNN在埃塞俄比亚和巴西的植物病害检测方面展现出潜力
研究人员正在探索使用卷积神经网络(CNN)来检测不同植物物种的农业病害。一项研究开发了一种轻量级CNN,用于识别埃塞俄比亚的马铃薯叶部病害,在田间数据集上取得了高精度,并与VGG16和MobileNetV2等大型模型相比,展示了计算效率。另一项研究评估了包括AlexNet、LeNet-5、VGG16和MobileNet在内的各种CNN架构,用于检测巴西佩奇树的枝枯病,发现MobileNet等更紧凑的模型更稳定有效。
-
新方法认证检测对抗性AI攻击
研究人员开发了一种检测深度学习分类器对抗性攻击的新方法,重点在于认证恶意输入被标记,而不是确保模型鲁棒性。该方法利用Lipschitz-边际分析将问题简化为估计单个Lipschitz常数。所提出的检测器可以应用于任何预训练分类器而无需重新训练,在MNIST、CIFAR-10和ImageNet-1k等数据集上,针对各种骨干架构,其性能与现有方法相比具有竞争力或更优。
-
CNNs在不同图像类型的黑色素瘤检测中进行比较
一篇新的研究论文评估了几种预训练卷积神经网络(CNNs)在黑色素瘤检测中的有效性,使用了皮肤镜图像和组织病理学图像。该研究利用了HAM10000、ISIC-2018和CR-AI4SkIN等数据集,比较了包括ResNet50、VGG16、VGG19、MobileNet和InceptionV3在内的架构。结果表明,ResNet50在皮肤镜图像上表现最佳,在HAM10000数据集上准确率为84%,在CR-AI4SkIN数据集的组织病理学图像…
-
医学基础模型增强脑部MRI造影剂剂量模拟
研究人员开发了一种新的脑部MRI造影剂剂量模拟方法,该方法利用医学基础模型的特征作为感知损失。与使用标准自然图像骨干网络相比,这种方法旨在提高图像合成的准确性。研究发现,RadImageNet模型在作为特征提取器使用时,在减少残余增强和在脑部MRI模拟中保持忠实的剂量降低轨迹方面表现出优越的性能。
-
自适应AI任务划分框架可降低延迟和能耗
研究人员开发了一个新颖的框架,用于在异构边缘-云连续体中动态划分和卸载AI任务。这种自适应方法在包括Raspberry Pi、笔记本电脑和台式PC在内的真实硬件上进行了评估,其性能优于静态划分方法。该框架在启动时对模型进行分析,监控网络状况,并重新评估分区以优化运行时动态,从而显著降低了VGG16、AlexNet和MobileNetV2等流行卷积神经网络的能耗和端到端延迟。
-
深度学习模型在肺癌组织病理学分析方面进行基准测试
研究人员开发了一个用于分析肺癌组织病理学图像的两阶段深度学习框架。该框架系统地比较了用于组织分类和区域分割的最先进架构。在分类任务中,YOLO11 表现最佳,准确率达到 98.38%。在分割任务中,DeepLabV3+ 取得了最佳结果,交并比(Intersection over Union)为 0.80,尽管 YOLO11-seg 提供的性能相当,但参数却少得多。
-
基于概念的可解释人工智能揭示深度神经网络的弱点和数据集偏差
研究人员探索了使用基于概念的可解释人工智能(CXAI)方法来理解多标签图像分类中深度神经网络(DNN)的学习弱点和偏差。通过在 MS-COCO 数据集上训练 VGG16 和 ResNet50 模型,并应用 CRP 和 CRAFT 等 CXAI 技术,研究发现更高的概念区分度可以减少标签和概念中的混淆。分析还强调了数据集中环境概念如何暴露模型固有的偏差。
-
VGG16在十种CNN中引领MRI扫描阿尔茨海默病检测
研究人员对十种不同的卷积神经网络(CNN)架构进行了基准测试,用于从单视图MRI扫描中检测阿尔茨海默病。该研究在OASIS数据集的一个子集上使用了迁移学习和微调流程,该子集包含来自86,437次扫描的3,900张图像。VGG16取得了最高的验证准确率0.9637和测试准确率0.9533。所有测试架构都面临一个持续的挑战,即区分非痴呆和非常轻度痴呆阶段。
-
新的CoLoRA方法为CNN提供高效微调
研究人员推出了一种新颖的、参数高效的微调方法CoLoRA,该方法专为卷积神经网络(CNN)设计。该技术通过将卷积核更新分解为轻量级的深度卷积和逐点卷积组件,将LoRA的原理扩展到了卷积层。与完全微调相比,CoLoRA显著减少了可训练参数数量(超过80%),同时保持了原始模型大小和推理复杂度。在OCTMNISTv2等医学成像数据集上,使用VGG16和ResNet50等模型进行的实验表明,CoLoRA在分类性能上具有竞争力。
-
深度学习利用热成像和传感器融合预测网络硬件故障
研究人员开发了一种用于网络硬件预测性维护的深度学习策略,利用热成像和电源传感器数据。该研究评估了包括ResNet-50、InceptionV3和VGG16在内的几种模型,以及一个CNN-LSTM融合模型。通过特定领域的预处理(如感兴趣区域提取),性能显著提高,将ResNet-50的准确率提高到91%。CNN-LSTM模型达到了最高的94%准确率,证明了融合视觉和传感器时间序列信息在主动硬件维护方面的有效性。
-
ResNet50 在 X 光片肺部疾病分类方面优于 VGG 模型
研究人员探索了深度学习模型 VGG16、VGG19 和 ResNet50 对 X 光图像肺部疾病进行分类的有效性。该研究在大型 X 光图像数据集上训练了这些模型,以识别肺炎、肺结核和肺癌等病症。结果表明,虽然所有模型表现良好,但 ResNet50 在疾病分类方面表现出更高的准确性和效率。
-
轻量级CNN在卫星土地覆盖分割中优于大型模型
一项新研究对五种卷积神经网络(CNN)架构进行了卫星土地覆盖分割的基准测试,重点关注效率-准确性权衡。研究发现,MobileNetV2_v1(一个24.98 MB的轻量级模型)在DeepGlobe数据集上取得了最高的准确率(0.7906)和平均交并比(0.4625)。该轻量级模型优于InceptionV3_v2和VGG16_v2等大型架构,证明了在资源受限的遥感应用中,优化后的迁移学习模型是有效的。虽然在城市、农业和水体类别分类方面表…
-
新框架ReMoDEx大规模评估图像分类器决策
研究人员开发了ReMoDEx,一个旨在大规模评估深度学习图像分类器决策过程的框架。该方法结合了局部可解释性技术和一个全局模块,以识别和聚类常见的决策策略,超越了单一样本热图检查。当应用于医学影像的VGG16分类器时,ReMoDEx揭示了两种普遍的策略:依赖于胸部中心区域和对图像边界的敏感性,这表明可能存在传统准确性指标可能忽略的捷径学习。
-
新的AG-EfficientNet改进了监控图像中的罪犯识别
研究人员开发了一个名为AG-EfficientNet的新框架,以改进监控图像中的罪犯识别。该模型集成了EfficientNet-B0和卷积块注意力模块(CBAM),以便在低分辨率和运动模糊等挑战性条件下更好地学习面部特征。该系统还采用了多尺度特征融合策略和混合Softmax-Triplet优化来增强身份区分能力,在基准数据集上达到了98.2%的识别准确率。
-
LLM在零样本心电图诊断方面表现不佳,CNN表现更优
一项比较研究评估了零样本多模态大型语言模型(LLM)与基于卷积神经网络(CNN)的模型在12导联心电图图像分类方面的有效性。尽管GPT-5.2、GPT-4.1和Gemini-2.5 Pro等LLM能够生成看似合理的心电图描述,但其零样本诊断能力接近随机水平(ROC-AUC约为0.5)。相比之下,一项自主开发的生理感知CNN,LeadGroupECG,展示了稳定可靠的区分能力,内部ROC-AUC得分达到0.92-0.94,外部达到0.8…
-
计算高效的迁移学习卷积神经网络在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络(CNN),该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算需求,同时保持高精度,使其适用于资源有限的环境。在脑部MRI、肺部CT和肾脏CT扫描上进行测试,该模型分别达到了90.85%、98.64%和99.92%的惊人准确率。迁移学习方法,即在一个癌种上预训练,然后在其他癌种上进行微调,只需要最少的额外训练时间,并且优于几种已建立的CNN架构。
-
高效迁移学习CNN在多癌种检测中实现高精度
研究人员开发了一种计算高效的卷积神经网络(CNN),该网络利用迁移学习从生物医学图像中进行多癌种检测。这种轻量级模型旨在降低计算复杂性,使其适用于资源有限的环境。该CNN在脑癌检测中达到了90.85%的高准确率,在肺癌检测中达到了98.64%,在肾癌检测中达到了99.92%。通过在一个癌种上进行预训练,然后在其他癌种上进行微调,该模型与几种最先进的预训练架构相比,表现出了优越的性能。
-
新的符号执行测试方法增强了Transformer的鲁棒性分析
研究人员开发了一种新的Transformer分类器符号执行测试方法,该方法使用SHAP估计来根据路径谓词对模型预测的影响来确定其优先级。这种方法使用Python实现,使自注意力语义与可满足性模理论求解器兼容。在CIFAR-10上对紧凑型Transformer模型、ResNet18和VGG16进行的评估表明,在单像素预算和900秒的时间范围内,找到对抗性样本的成功率为60%,显著优于黑盒差分进化基线。