Últimos artículos para Aprendizaje profundo

Descubre cómo ConKeD mejora la alineación de imágenes retinianas para un mejor seguimiento de enfermedades.

Nuevas técnicas mejoran la detección de anomalías en inspecciones visuales usando aprendizaje automático.

Nuevos modelos mejoran las predicciones de la afinidad de unión de fármacos usando interacciones entre anticuerpos y antígenos.

Una visión general de las redes neuronales bayesianas y su importancia en la IA.

BandIt mejora la separación de fuentes de audio usando técnicas innovadoras de aprendizaje profundo.

Un nuevo método que mejora las redes neuronales podadas para un mejor rendimiento.

Este estudio presenta nuevos métodos para crear imágenes HDR a partir de datos en bruto del sensor.

Un nuevo marco mejora el uso de la memoria en redes neuronales profundas a gran escala.

Las técnicas de aprendizaje profundo mejoran las imágenes de microscopía electrónica para un mejor análisis del cerebro.

Un nuevo método mejora la segmentación de lesiones de materia blanca en bebés prematuros.

El entrenamiento eficiente de bajo rango mejora los modelos de CNN para entornos con recursos limitados.

SADIR mejora la reconstrucción 3D al incorporar conocimiento de formas para mayor precisión.

AutoFT mejora el rendimiento del modelo en datos no vistos a través de técnicas de ajuste fino innovadoras.

A-Eval evalúa modelos para segmentar órganos abdominales en diferentes conjuntos de datos.

Un nuevo modelo mejora la calidad de imagen HDR usando diferentes configuraciones de luz.

DTS mejora la eficiencia en la toma de decisiones usando redes neuronales en entornos con poca data.

Momentum-SAM ofrece una alternativa eficiente a los métodos de entrenamiento tradicionales para redes neuronales.

Este estudio analiza cómo los modelos de aprendizaje profundo reconocen las expresiones faciales en comparación con los humanos.

Un nuevo método reduce los parámetros en los modelos de transformadores sin perder rendimiento.

Una nueva herramienta simplifica el aprendizaje sobre los Vision Transformers y su funcionamiento.

LMBiS-Net mejora la segmentación de vasos retinianos para una mejor detección de enfermedades oculares.

Este estudio explora problemas con el uso de convnets para la creación de bancos de filtros de audio.

Aprende cómo mejorar la eficiencia del modelo transformer con un diseño amigable para GPU.

Un estudio revela patrones fuertes en CNNs separables en profundidad relacionados con la visión biológica.

tGAN mejora el análisis de imágenes celulares mediante la generación de datos sintéticos.

EnCodecMAE combina el aprendizaje auto-supervisado y códecs de audio para mejorar el rendimiento en tareas de audio.

Simba mejora la eficiencia de optimización, enfrentando puntos de silla y áreas planas de manera efectiva.

Una mirada directa a cómo interactúan los tensores en las redes neuronales.

BlackMamba combina modelos de espacio de estado y mezclas de expertos para hacer tareas de lenguaje de manera eficiente.

DeepAAT mejora la velocidad y precisión del mapeo aéreo usando técnicas de aprendizaje profundo.

Double-Dip combina el aprendizaje por transferencia y la aleatorización para protegerse contra ataques de inferencia de membresía.

Este estudio examina cómo añadir recurrencia a los Transformers para mejorar su rendimiento en tareas de aprendizaje automático.

NISF mejora la segmentación de formas anatómicas en imágenes médicas con mayor precisión.

Este artículo habla sobre métodos de aprendizaje profundo para analizar datos de trayectorias en varios campos.

Nuevas técnicas mejoran la velocidad y efectividad de los ataques de morphing en los sistemas de reconocimiento facial.

Este método acelera el entrenamiento de modelos secuenciales sin sacrificar precisión.

Explorando la integración de LLMs en tareas de computación de alto rendimiento.

MixedNUTS ofrece una solución para la precisión y la robustez en el aprendizaje profundo.

Aprende cómo las perturbaciones inofensivas protegen la privacidad en el aprendizaje profundo sin afectar la funcionalidad de las DNN.

Esta investigación examina cómo el tamaño del modelo y de los datos impacta en el rendimiento del modelo de grafo.