ICMLJul, 2022

MCTensor：一种带有多组分浮点的高精度深度学习库

PDF
TL;DR本文介绍了 MCTensor，这是基于 PyTorch 的库，提供 DL 训练的通用和高精度算术，在相同的 PyTorch Tensor 方式下，我们实现了多个基本的矩阵级计算运算符和 NN 模块，我们评估了 MCTensor 算术与 PyTorch 本地算术进行比较，结果表明，使用 MCTensor 在 float16 下的模型与使用 float32 或 float64 精度的 PyTorch 模型相匹配或超出表现，并获得高精度计算的好处。
发现论文，激发创造
  • KHNNs: 使用 TensorFlow 和 PyTorch 在 Keras 中进行的超复杂神经网络计算

    神经网络的超复数计算在某些应用中表现更好，我们建议使用与 Keras 集成的库在 TensorFlow 和 PyTorch 中进行超复数计算。

    Jun, 2024

  • 使用 CNN 的语音情感识别及其在数字化医疗中的应用案例

    使用卷积神经网络（CNN) 对音频录音进行识别和情感标记，通过机器学习方法评估表情识别模型，并关注精确度、召回率和 F1 得分，以提高交流意图的识别能力。

    Jun, 2024

  • YOLOv5 和 YOLOv8 在动态机器人环境中的精确性和适应性

    该研究通过比较分析 YOLOv5 和 YOLOv8 模型，挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反，YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素，包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究，我们呈现了对每个模型能力的细致理解，为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计，强调了评估模型性能的整体方法的必要性。

    Jun, 2024

  • MonoDETRNext：下一代准确高效的单目三维物体检测方法

    基于单目视觉的三维物体检测在各个领域都十分重要，然而现有方法在准确性和计算效率方面面临着重大挑战。在 2D 检测和深度估计方面取得成功的策略基础上，我们提出了 MonoDETRNext，旨在实现优化的准确性和处理速度的平衡。我们的方法包括开发高效的混合视觉编码器，增强深度预测机制，并引入创新的查询生成策略，辅以先进的深度预测器。MonoDETRNext 基于 MonoDETR，并引入了两个变体：MonoDETRNext-F 注重速度，MonoDETRNext-A 注重精度。我们认为 MonoDETRNext 建立了单目三维物体检测的新基准，并为未来的研究开辟了新方向。我们进行了详尽的评估，证明了该模型在性能上优于现有解决方案。值得注意的是，MonoDETRNext-A 在 KITTI 测试基准上的 AP3D 指标相比 MonoDETR 提高了 4.60%，而 MonoDETRNext-F 则提高了 2.21%。此外，MonoDETRNext-F 的计算效率略高于其前身。

    May, 2024

  • Pytorch-Wildlife：一个用于保护的协作深度学习框架

    通过 PyTorch 构建的开源深度学习平台 Pytorch-Wildlife，可用于动物检测和分类，其应用于亚马逊雨林和加拉帕戈斯群岛的物种识别和入侵负鼠识别等真实场景中，取得了高水平的准确性，并为保护环境提供了多样化的解决方案。

    May, 2024

  • 无人机自主降落的多模态学习方法

    该研究介绍了一种基于多模式变压器的深度学习探测器，可为精确自主着陆提供可靠的定位，同时还提出了一种基于深度 Q 网络的强化学习决策模型，该模型在模拟环境中进行训练，然后成功地在真实户外场景中验证其适用性。

    May, 2024

  • 隐层神经元激活标签的误差边界分析

    人工神经网络中高级概念的表示是人工智能领域中的一个基本挑战，解释性人工智能的现有文献强调了用概念标签化神经元以理解其功能的重要性，但它们主要关注识别刺激激活神经元的是什么，而我们认为这只是两个任务中的第一个，还有必要研究神经元对其他刺激的响应，即它们的精确性，我们称之为神经元标签误差边界。

    May, 2024

  • X-Diffusion：使用横截面扩散模型从单张图像生成详细的 3D MRI 体积

    X-Diffusion 是一种为磁共振成像 (MRI) 数据量身定制的横截面扩散模型，能够从一张或少量多张 MRI 切片中生成完整的 MRI 体积，实现了从极度稀疏的观测得到合成 MRI 的精度方面的新突破。

    Apr, 2024

  • TorchSurv: 深度生存分析的轻型软件包

    TorchSurv 是一个 Python 包，作为 PyTorch 环境中执行深度生存模型的伴侣工具。它不同于现有的库，不强制采用特定的参数形式，而是允许使用基于 PyTorch 的自定义深度生存模型。TorchSurv 具有轻量级设计、最低输入要求、完整的 PyTorch 后端，并且不受限制的生存模型参数化，促进了高维和复杂输入数据场景下高效的深度生存模型实施。

    Apr, 2024

  • Qandle：利用门矩阵缓存和电路分割加速状态向量模拟

    为了解决与量子电路状态向量模拟相关的计算复杂性问题，我们提出了一种组合应用先进技术来加速电路执行的方法。通过量子门矩阵缓存和电路分割，我们减少了应用门矩阵到状态向量时的重复计算量，并通过使用 PyTorch 机器学习框架实现了这些技术。我们通过与其他 PyTorch 兼容的量子状态向量模拟器进行比较，展示了我们方法的性能。我们的实现名为 Qandle，旨在与现有的机器学习工作流程无缝集成，并提供用户友好的 API 和与 OpenQASM 格式的兼容性。Qandle 是一个托管在 GitHub 和 PyPI 上的开源项目。

    Apr, 2024