Xception
PulseAugur coverage of Xception — every cluster mentioning Xception across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。