我们提出了一种名为 SED 的简单而有效的方法，以自适应和类平衡的方式处理标签噪声，通过设计新的样本选择策略来赋予自适应性和类平衡性，利用平均教师模型纠正噪声样本的标签，采用自适应和类平衡的样本重新加权机制为检测到的噪声样本分配不同的权重，并在选择的干净样本上添加一致性正则化以提高模型的泛化性能。

Jul, 2024

我们提出了一种新颖的方法，利用深度神经网络在低剂量放射影像中进行可解释的椎体骨折评估（XVFA），结合了椎体检测和不确定性定位关键点。我们将 Genant 的半定量标准作为可区分的基于规则的方式来分类椎体骨折等级和形态。与以往的工作不同，XVFA 提供了与当前临床方法相关的可解释的分类，以及不确定性估计，同时在具有挑战性的环境中，在椎体级别的敏感度达到 93％，AUC 完整性达到 97％，超过了最先进的方法。此外，我们将模型的不确定性估计与读者间的一致性进行比较，模型的可靠性与人工注释者相当。

Jul, 2024

通过动态深度神经网络辅助的内容感知数据处理管道，我们提出了一种减少模型数量的方法，以提高性能并节省计算资源，并通过编译优化实现更好的 PSNR 和实时性能，在现成的手机上实现了 1.7 倍的加速，节省了高达 1.61 倍的内存消耗。

Jul, 2024

通过比较深度神经网络（DNNs）和量子神经网络（QNNs）的性能，本研究探讨了量子神经网络的归纳偏置和表达能力，并发现了一个比较结果：无论是具有归纳偏置的限制型 QNNs 还是具有高表达能力但无归纳偏置的 QNNs，它们与 DNNs 相比要么有表达能力较差要么在泛化性能上处于劣势。

Jul, 2024

应用于 3D 点云处理的深度神经网络在 AR/VR、自动驾驶和机器人等领域中表现出了先进的性能；然而，随着神经网络模型和 3D 点云的扩大，减少计算和存储开销以满足现实应用的延迟和能耗约束成为一个关键挑战。本文提出了一种针对 3D 目标检测的新型后训练权重剪枝方案，该方案与现有的 3D 点云稀疏化方法正交，确定了导致局部性和可信度（检测失真）最小的预训练模型中的冗余参数，并提供了一个与任意 3D 检测模型兼容的通用剪枝框架，旨在通过基于失真的二阶泰勒近似来识别逐层稀疏性，最大程度地保持检测精度。在 KITTI、Nuscenes 和 ONCE 数据集上进行的大量实验证明了我们的方法在减少计算量（FLOPs）的同时能够保持甚至提升剪枝模型的检测精度，值得注意的是，我们在 CenterPoint 和 PVRCNN 模型上实现了超出 3.89 倍和 3.72 倍的 FLOPs 减少，而不降低 mAP，显著提高了最新技术水平。

Jul, 2024

通过数据增强来提高命名实体识别的置信度校准和不确定性估计，在安全关键领域如医疗保健和金融中应用深度神经网络时实现准确的预测非常重要。本研究发现数据增强在跨领域和跨语言的环境中，尤其是在领域内环境中，可以改善命名实体识别的置信度校准和不确定性。此外，研究还表明，当通过数据增强生成的句子的困惑度较低时，命名实体识别的置信度校准更为有效，并且增加增强的规模可以进一步改善置信度校准和不确定性。

Jul, 2024

该研究提出了一种名为 EvolBA 的对抗攻击方法，在仅有目标 DNN 模型预测的类标签的条件下，利用协方差矩阵自适应进化策略（CMA-ES）生成更小扰动的对抗样本，在图像中确定比先前方法更难识别的 Adversarial Examples。

Jul, 2024

深度神经网络中的可信预测对于现实世界中的安全关键应用至关重要。本研究提出了 $k$ 最近邻不确定性估计方法，通过邻居之间的距离和邻居的标签存在比例来提高置信度和预测效果，并在情感分析、自然语言推理和命名实体识别方面表现出色。

Jul, 2024

该研究提供了超过 800 个高分辨率的街灯图像，这些图像系统地收集自印度主要街道，主要是针对金奈地区。这个有组织的数据集旨在更容易地训练和评估深度神经网络，以创建具有强大特征表述的预训练模型。此数据集的可用性旨在鼓励计算机视觉和智能城市技术的未来研究和发展，支持创新和实际解决城市基础设施问题。

Jul, 2024

通过轻量级的基于梯度的搜索方法和硬件感知的方式，结合稀疏化和混合精度量化的优化技术，在减小延迟和内存占用方面获得 Pareto 最优的准确性与成本（即延迟或内存）之间的深度神经网络。

Jul, 2024