Últimos artículos para Aprendizaje profundo

Presentamos S-STE, un nuevo enfoque para mejorar la eficiencia del entrenamiento de redes neuronales dispersas.

Un nuevo método mejora la segmentación de imágenes médicas al reducir la pérdida de información.

Un nuevo método ofrece soluciones eficientes para ecuaciones integrales usando redes neuronales.

Explora el muestreo adaptativo para mejorar el rendimiento de redes neuronales con datos simétricos.

Un nuevo método predice el rendimiento de DNN en diferentes hardware de manera rápida y precisa.

Un nuevo método mejora la transferencia de características en representaciones neuronales implícitas para imágenes.

Aprende cómo AMRF mejora la segmentación de imágenes en aplicaciones industriales.

AMBER supera a las CNN en la clasificación de imágenes hiperespectrales, mostrando una mejor precisión.

Aprende cómo el aprendizaje profundo está cambiando nuestra comprensión del comportamiento de las proteínas.

Un nuevo método mejora la precisión en la detección de pólipos durante los procedimientos de colonoscopia.

KAT mejora el aprendizaje profundo usando KANs avanzados para reemplazar MLPs.

Este trabajo mejora la precisión de CLIP al abordar la superposición intra-modal usando adaptadores ligeros.

Te presento ComFNO, un método para resolver ecuaciones diferenciales complejas usando deep learning.

WaveMixSR-V2 transforma imágenes de baja resolución en salidas de alta calidad de manera eficiente.

Presentamos PAD-FT, un método ligero para combatir ataques de backdoor sin necesidad de datos limpios.

AdEMAMix mejora la eficiencia del entrenamiento al equilibrar gradientes recientes y pasados.

StableMamba mejora el procesamiento de imágenes y videos con mayor robustez y rendimiento.

Este estudio evalúa métodos de baja latencia para mejorar la calidad del habla en condiciones ruidosas.

Un estudio sobre cómo la deuda técnica afecta a los proyectos de aprendizaje profundo.

Pool Skip ayuda a redes profundas al abordar las singularidades de eliminación durante el entrenamiento.

Un nuevo método mejora la limpieza de datos para herramientas de mapeo submarino.

FDIN mejora la detección de inpainting de video usando técnicas avanzadas.

Presentamos PureDiffusion para mejorar los mecanismos de defensa contra amenazas de puerta trasera.

Un modelo multidominio mejora la segmentación de axones y mielina en diferentes imágenes.

GCC-UNet mejora la segmentación de vasos retinianos para un mejor diagnóstico de enfermedades.

Este estudio analiza el desempeño de los KAN en el aprendizaje continuo usando el conjunto de datos MNIST.

Dos modelos pronostican los niveles de agua subterránea con más precisión gracias al análisis de datos meteorológicos.

Un nuevo método para la eliminación de ruido en videos que mejora la calidad sin necesidad de conjuntos de datos emparejados.

Un nuevo método mejora la segmentación de los vasos hepáticos en imágenes médicas.

Los investigadores mejoran la segmentación de tumores en imágenes de PET/CT usando métodos automatizados.

Estudiando la segmentación del área glotal para mejorar el análisis de imágenes médicas.

Region Mixup mejora la diversidad de datos de entrenamiento para un mejor rendimiento del modelo.

Un nuevo modelo mejora la segmentación de tumores en escaneos PET/CT para el diagnóstico del cáncer.

Un nuevo método mejora el monitoreo de partes metálicas durante el LPBF usando aprendizaje profundo para mejorar las imágenes.

Este enfoque mejora la eficiencia y precisión al analizar datos de múltiples dispositivos.

Un nuevo método que combina modelos para mejorar la adaptación de dominio no supervisada en tareas de segmentación.

AXE mejora el rendimiento del modelo mientras minimiza el desbordamiento en la cuantización con conciencia del acumulador.

Un nuevo enfoque para una visualización y comprensión más clara de los modelos de aprendizaje profundo.

Este estudio compara algoritmos de DG para abordar el cambio de dominio en el análisis de imágenes médicas.

Un nuevo método mejora la comprensión de las características y la toma de decisiones de las CNN.