Jun, 2024

L-SFAN：面向疼痛行为检测的轻量级空间关注网络

PDF
TL;DR通过引入 L-SFAN，一种轻量级的卷积神经网络架构，结合 2D 滤波器设计来精确捕捉来自动作捕捉和表面肌电图传感器的数据的时空相互作用，我们提出了一种改进型模型，通过定向全局池化层和多头自注意机制来优先考虑关键特征以更好地理解慢性下腰痛，并实现了有竞争力的分类准确度。实验证据表明，我们的方法不仅能够以显著较少的参数提高性能指标，还可以促进模型可解释性，为临床医生在管理慢性下腰痛方面提供宝贵的见解。这一进展突显了人工智能在改变慢性病等复杂性条件的医疗实践方面的潜力，并为复杂生物医学数据的细致分析提供了一个复杂的框架。
发现论文，激发创造
  • SFANet：面向天气预报的空间频率注意力网络

    提出了 Spatial-Frequency Attention Network（SFANet），这是一个新颖的深度学习框架，通过解决传统方法难以捕捉气象系统复杂动力学的问题，在高分辨率数据存在的情况下提高时空天气预测的准确性。通过整合先进的令牌混合和注意机制，SFANet 优化处理高维时空序列的过程，以捕捉组件间的关系信息和建模广泛的长距离关系。具有空间频率注意模块的 SFANet 能够捕捉复杂的跨模态相关性，并在两个不同数据集上展示了惊人的性能，证明其在预测降水模式和预测 El Niño 事件方面具有卓越的能力。

    May, 2024

  • FANet：一种反馈注意力网络，用于改进生物医学图像分割

    在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

    Mar, 2021

  • SCA-CNN：用于图像字幕的卷积网络中的空间和通道注意力

    本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

    Nov, 2016

  • 基于空间和通道注意力的动态功能脑网络发现

    本文提出了一种空间和通道注意力自编码器（SCAAE），基于注意力机制来动态发现功能性脑网络 (FBNs)。实验结果表明，该方法可以在不使用滑动窗口的情况下有效地恢复 FBNs 在每个 fMRI 时间步的动态变化，同时避免了线性和独立性的限制，为更好地理解动态功能性脑网络提供了一种新方法。

    May, 2022

  • CAINNFlow：用于异常检测和定位任务的卷积块注意力模块和可逆神经网络流

    该研究提出了一种基于 CBAM 的复杂函数模型，用于在规范化流模型中保留和有效提取空间结构信息，从而实现异常检测，并在 MVTec AD 数据集上实现了像素级 AUC 为 98.64％的卓越准确性。

    Jun, 2022

  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016

  • 基于渐进频率感知网络的腹腔镜图像去烟化

    我们提出了一种轻量级的 GAN 框架 PFAN 用于腹腔镜图像去烟雾处理，结合了 CNN 和 Transformer 的优势，在频域中进行渐进式信息提取，有效地去除了腹腔镜图像中的烟雾，并在 Cholec80 数据集上表现出色。

    Dec, 2023

  • 视频面部表情识别的框架注意力网络

    本文提出了 Frame Attention Networks（FAN）来自动突出视频中具有区分度的帧，进行面部特征的集成，并在 CK + 和 AFEW8.0 数据集上展开了广泛的实验，其效果表现出优越的性能，超过了基于 CNN 的其他方法并在 CK + 上取得了最优秀的性能。

    Jun, 2019

  • 利用卷积在干草堆中寻找针头：探讨结构偏置的优势

    该研究通过比较卷积神经网络（CNN）和全连接网络（FCN）在损失景观中的动态性来探讨它们究竟有什么不同。他们引入了一种将 CNN 映射为其等效 FCN（称为 eFCN）的方法，以直接在 FCN 空间中比较 CNN 和 FCN 的培训动态。该研究还测试了一种新的培训协议，证明了 eFCN 对于某些中间时刻可以优于 CNN。这表明在优化的早期阶段，CNN 的先验有助于浏览损失景观，从而实现更好的泛化。

    Jun, 2019

  • 基于时空相关性的混合深度学习框架的短期交通流量预测

    本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

    Dec, 2016