- 使用深度卷积神经网络检测视频游戏中的渲染故障
使用深度卷积神经网络(DCNN)来检测视频游戏中常见的故障,特别是在图像测试的最后阶段中,能够自动化部分图形测试工作。
- 利用梯度信息学习实现清晰边缘检测
本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法,该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果,并通过基于 Tversky 指 - 双稀疏训练框架:通过转换的 L1 正则化诱导激活图稀疏性
本研究论文介绍了一种基于转换的 l1 正则化方法来诱导激活图的稀疏性,以改善激活稀疏诱导领域的研究。同时,本方法与传统修剪结合,构成了双稀疏训练框架。实验结果表明,该方法在大多数模型和相应数据集上可以实现超过 20% 的激活图稀疏度提升,同 - 利用 GAN 增强医学图像从有限数据中合成逼真图像
通过引入生成对抗网络(GANs)的创新方法,我们提出了一种合成医学图像的方法,通过深度卷积神经网络(CNNs)架构的生成器和鉴别器网络以及对抗训练方法,即使在有限的真实医学图像数据训练下,也能生成逼真的合成图像,并成功模拟了真实医学图像的结 - 半自监督域适应:利用有限标注数据开发小麦穗分割的深度学习模型
利用深度学习方法,通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注,以及在不同环境条件下适应性强的解决方案,以推动先进技术在农业领域的广泛应用。
- 深度学习中小卷积核的高效高阶卷积
通过提出一种新的方法来实现低内存和计算成本的高阶 Volterra 滤波,在 DCNN 训练的前向和反向传播过程中具有计算优势,并基于该方法提出了一种名为 Higher-order Local Attention Block(HLA)的新型 - 面向深度学习工作负载的数据流感知 PIM 启用多核架构
设计原则和挑战研究了用于深度学习的数据流感知、处理器内存结合的多核平台。
- 单目深度预测的金字塔特征注意力网络
通过引入金字塔特征注意网络(PFANet),以提升高级上下文特征和低级空间特征,进一步改善深度估计中的空间布局、边界模糊和物体表面不连续等问题,并通过采用不同尺度的双尺度通道注意模块(DCAM),并以空间金字塔注意模块(SPAM)作为低级特 - 边缘检测器能够使深度卷积神经网络更加稳健
通过将边缘检测器作为层核心并设计一个二进制边缘特征分支(BEFB)来学习二进制边缘特征,结合纹理特征并将其与主干网络结合,以增强深度卷积神经网络(DCNN)的鲁棒性。实验证明,采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性, - 视网膜映射提高卷积神经网络的鲁棒性
通过整合视网膜映射到深度卷积神经网络中,可以提高图像分类和定位性能,特别是对于孤立对象的图像缩放和旋转。此外,视网膜映射网络在分类任务上取得了可比较的性能,并在转换的视网膜中心位移时表现出了改进的分类定位能力。这些发现表明,视网膜映射对于重 - Floralens: 一种用于葡萄牙本土植物的深度学习模型
使用机器学习技术,特别是深度卷积神经网络,对生物种类进行基于图像的识别在很多公众科学平台中至关重要。然而,关于训练网络所需的关键数据集构建和网络架构的选择目前有很少的文献资料,因此难以复制。本文提出了一种简化的方法,通过使用公开可用的研究级 - 场景识别中的数字鸿沟:揭示深度学习系统中的社会经济偏见
计算机科学场景理解中存在社会经济偏见,建议采用更具包容性和代表性的训练数据集,以减少偏见并确保计算机视觉技术的公平性和更均等的社会受益。
- WaveletFormerNet:基于 Transformer 的用于真实世界非均质和密集雾去除的小波网络
本文提出了一种基于 Transformer 和小波的网络 (WaveletFormerNet) 用于现实世界中的雾图像恢复,它通过将离散小波变换嵌入到 Vision Transformer 中来缓解由于降采样导致的图像质量损失和颜色失真,同 - 图像去噪的两阶段渐进式残差稠密注意力网络
设计了一种新的两阶段渐进残差密集注意力网络(TSP-RDANet)进行图像去噪,通过两个子任务逐步去除噪声,其中使用残差密集注意力模块(RDAM)和混合扩张残差密集注意力模块(HDRDAM)来设计两个基于注意力机制的去噪网络,以增强去噪效果 - 基于残差图卷积网络的鸟瞰视角语义分割
通过使用深度卷积神经网络中的残差图卷积模块,该研究提出一种 Bird's-Eye-View 语义分割的方法来获取全局信息和区域级别的语义关系,以应用于自动驾驶中的周围环境的理解和空间信息检索。
- 基于卷积神经网络的解释卫星预测贫困状况研究
该论文通过细致分析深度卷积神经网络(CNNs)对卫星图像进行预测贫困和发展指标的详细反应,并解释了其预测基础。该 CNN 模型能够在比较低分辨率的白天和夜间卫星图像上优于人类主观观察高分辨率图像进行财富指数分类。多种可解释性实验表明对象大小 - 级联侵蚀深度监督的显著目标检测
在深度卷积神经网络中,通过设计全局 - 局部对齐关注(GAA)网络和边缘侵蚀的深度监督策略,减少了插值对特征和标签的负面影响,相比现有方法,在五个常用数据集上实现了更好的结果。
- 级联学习用于视觉场景分类任务中的特征定位
通过两种不同的学习模式来探究通过特征定位的方式学习到的特征,在医学和自然数据集上的分析表明了层级学习策略的优越性,本研究显示级联学习是一种有前景的区域预测方法,并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
- 从稀疏标注的 3D 医学图像数据集进行迁移学习
本研究探索了使用迁移学习来提高医学影像中深度卷积神经网络对器官分割的性能,研究结果表明迁移学习可改善标注的效率和提高准确的器官分割,在医学影像领域具有潜在应用价值。
- 一个用于图像去噪的交叉变压器
通过交互作用和残差块,在复杂场景下提取干净图像所需的有效结构信息,我们提出了一个串行块、并行块和残差块的交叉 Transformer 去噪卷积神经网络(CTNet)。经实验证明,CTNet 在真实和合成图像去噪方面优于一些流行的方法,适用于