Xception
PulseAugur coverage of Xception — every cluster mentioning Xception across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架可准确归因合成图像，区分 Stable Diffusion 版本
研究人员开发了一种新颖的合成图像归因框架，在挑战性数据集上实现了高精度。他们的方法结合了多种人工智能架构，包括 FFT-ConvNeXt、DINOv2、CLIP 和 Xception，从频率、语义和取证等不同角度分析图像。为了提高对图像操纵的鲁棒性，他们采用了模拟真实世界后处理的广泛数据增强。该框架通过采用专用的二元分类器和类自适应置信度校准，专门解决了 Stable Diffusion 3 和 Stable Diffusion 3.…
-
新研究应对多工具AI图像编辑归因和鲁棒伪造检测
两篇新研究论文探讨了检测经过处理的面部图像的挑战，特别是那些由多种生成式AI工具编辑的图像。第一篇论文介绍了一种名为DPEC的方法，用于多工具图像编辑归因（MIEA），该方法可以识别单个图像上使用的多种编辑工具，并提出了一个名为MultiEdit的新数据集来支持这项任务。第二篇论文对包括Transformer和DINOv3等自监督方法在内的不同AI模型进行了基准测试，以在压缩和模糊等真实图像降级下进行面部伪造检测，发现自监督模型表现出…
-
深度学习模型以93.6%的准确率预测rTMS抑郁症治疗结局
研究人员开发了一种新颖的深度学习模型，用于预测重复经颅磁刺激（rTMS）抑郁症治疗的有效性。通过使用欧氏距离傅里叶-贝塞尔级数展开（FBSE-ED）将脑电图（EEG）信号转换为图像，所提出的卷积神经网络（CNN）实现了93.60%的分类准确率。该方法优于现有的特定于EEG的模型和预训练模型，表明其在精神科诊所中用于靶向临床决策和实际部署的潜力。
-
新研究利用先进的AI技术解决音频深度伪造检测问题
研究人员正在开发先进的音频深度伪造检测方法，重点是提高泛化能力和可解释性。一种名为SONAR的方法利用频率引导框架来利用合成音频中的高频伪影，取得了最先进的性能。另一种方法采用维纳-霍普夫线性预测结合轻量级CNN，创建了一个可解释的检测系统，该系统在较低的复杂性下保持了具有竞争力的准确性。此外，一个使用大型音频语言模型的受人类启发的推理框架旨在为深度伪造分类提供更具可解释性的理由，而其他研究则调查了检测模型中的性别偏见，并提出了结合空…
-
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。
-
新型AI模型增强医学影像中的癌症和脑肿瘤检测
研究人员开发了用于医学影像分析的新型深度学习模型，重点关注癌症检测和脑肿瘤识别。一项研究介绍了一种计算高效的卷积神经网络（CNN）结合迁移学习，用于跨MRI和CT扫描的多癌检测，实现了高精度，并优于几种最先进的预训练架构。另一个模型BrainFusionNet结合了CNN、Vision Transformers和GRU来分析用于脑肿瘤检测的MRI图像，集成了可解释AI技术以突出决策区域，准确率达到98%。
-
研究表明Vision Transformer在海事船舶检测方面优于CNN
一项发表在arXiv上的新研究评估了卷积神经网络（CNN）和Vision Transformer（ViT）在海事安全应用（特别是船舶检测）中的有效性。该研究使用了包含6,468张不同天气条件下的海事图像的数据集，并比较了六种深度学习架构。结果表明，虽然轻量级模型适用于受限环境，但Vision Transformer在准确率达到100%和处理速度最快方面表现更优。
-
轻量级融合提升视频人脸伪造检测精度
研究人员开发了一种新的方法，通过融合手工特征和轻量级神经网络来检测伪造视频。该方法结合了低频小波去噪特征与相位谱通道或局部二值模式，显著提高了在FaceForensics++和DFDC-Preview等基准数据集上的检测精度。提出的LFWS和LFWL模型比现有方法明显更小，表明精心选择的手工特征可以以最小的计算开销提供鲁棒的性能。
-
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。
-
中国深度伪造软件Haotian AI驱动全球诈骗
一份新报告详细介绍了Haotian AI，一款在中国开发的复杂实时深度伪造软件，正被用于驱动全球诈骗。记者获取并测试了该软件，发现它可以在Zoom和Microsoft Teams等平台的视频通话中实时逼真地改变用户的外观。这项技术代表了深度伪造诈骗的重大进展，可能促成更复杂的欺诈、冒充权威以及现有诈骗类型的放大。
-
DYMAPIA框架以超过99%的准确率检测AI视频操纵
研究人员开发了DYMAPIA，一个旨在检测AI生成视频操纵的新框架。该系统整合了空间、光谱和时间数据，以识别视觉媒体中篡改的细微迹象。DYMAPIA在多个基准测试中实现了超过99%的准确率，并针对实时取证应用进行了优化。