Derniers articles pour Augmentation de données

Cette étude montre comment de nouvelles méthodes améliorent la classification de la gravité de l'arthrose du genou.

Cet article parle de l'importance et des obstacles dans les systèmes de vérification des faits.

Les techniques de mixup améliorent la précision de l'apprentissage automatique dans l'analyse des données de séries temporelles physiologiques.

Une nouvelle technique améliore la diversité des ensembles de données d'images panoramiques intérieures.

LesionMix améliore l'augmentation de données pour mieux détecter les lésions dans les images médicales.

Une nouvelle méthode améliore la reconnaissance des cibles dans les images SAR avec moins de données d'entraînement.

Des recherches montrent que simplifier l'utilisation des données améliore les performances des véhicules autonomes.

Découvrez comment LP-CLIP renforce la robustesse des modèles multimodaux comme CLIP.

Cet article parle des nouvelles méthodes pour améliorer la navigation près des astéroïdes.

Améliorer les méthodes pour détecter les panneaux solaires grâce à la technologie de télédétection.

Cet article parle de comment les LLMs peuvent créer de nouveaux jeux de données pour des tâches de compréhension de lecture.

Une nouvelle méthode génère des exemples contrefactuels pour une meilleure évaluation et entraînement des modèles.

La régularisation de cohérence préservant l'ordre améliore les performances du modèle dans des situations variées.

Examiner les biais sociaux dans l'apprentissage automatique, en se concentrant sur le langage, la vision et les modèles langue-vision.

Stratégies pour améliorer l'interprétabilité des systèmes d'IA pour mieux comprendre.

Explore l'échantillonnage de Gibbs et l'augmentation de données dans la modélisation statistique.

Une nouvelle méthode améliore la performance et l'efficacité du tagging audio.

FDLS simplifie la création d'animations de personnages numériques réalistes grâce à l'apprentissage profond.

Un nouveau modèle améliore la reconnaissance des catégories rares dans des ensembles de données déséquilibrés.

Une étude montre que l'apprentissage contrastif supervisé améliore les performances des modèles sur différents jeux de données.

Un nouveau modèle améliore la reconnaissance d'image en s'adaptant de manière unique aux transformations.

RLLTE offre un cadre flexible pour développer et améliorer des applications d'apprentissage par renforcement.

Une nouvelle approche améliore les modèles d'apprentissage profond pour une segmentation d'images médicales fiable.

De nouvelles techniques améliorent la performance des modèles en utilisant peu de données étiquetées.

Une bonne séparation des données améliore la précision de détection du cancer du poumon avec l'apprentissage profond.

Une nouvelle méthode améliore la génération d'échantillons positifs dans l'apprentissage auto-supervisé.

Explorer l'importance de la normalisation des caractéristiques dans les dynamiques d'apprentissage non contrastif.

BOD simplifie l'analyse des données en impliquant les utilisateurs à classer les variables importantes.

Un nouveau modèle léger améliore l'estimation de la hauteur avec des techniques d'apprentissage auto-supervisé.

La recherche améliore la prédiction de force en chirurgie robotique en utilisant des données visuelles et de l'apprentissage machine.

Une méthode d'apprentissage profond améliore la détection des problèmes rénaux dans l'imagerie médicale.

Examiner l'équité et la précision dans la détection des usagers de la route vulnérables par les véhicules autonomes.

NAG2G améliore le processus de prédiction des réactifs pour la synthèse de composés.

Une nouvelle approche renforce les modèles de traitement du langage naturel contre les attaques adversariales grâce à un paraphrasage ciblé.

Un nouveau cadre IA améliore la détection des maladies oculaires grâce à des techniques d'imagerie avancées.

De nouvelles méthodes visent à améliorer le diagnostic de la pneumonie pour la santé pulmonaire des enfants.

FrameFlow propulse la conception de protéines en améliorant la diversité et la fonctionnalité des structures.

Cette étude examine comment l'apprentissage automatique améliore la sélection des variables dans le calcul symbolique.

Une plongée profonde dans les modèles de diffusion par débruitage et leur simplification pour améliorer l'apprentissage de la représentation.

Une approche d'apprentissage auto-supervisé améliore l'analyse des fibres nerveuses dans l'imagerie cérébrale.