Derniers articles pour Apprentissage Profond

Découvrez comment ConKeD améliore l'alignement des images rétiniennes pour un meilleur suivi des maladies.

De nouvelles techniques améliorent la détection des anomalies dans les inspections visuelles en utilisant l'apprentissage automatique.

De nouveaux modèles améliorent les prévisions de l'affinité de liaison des médicaments en utilisant les interactions anticorps-antigène.

Un aperçu des réseaux de neurones bayésiens et de leur importance en IA.

BandIt améliore la séparation des sources audio en utilisant des techniques innovantes de deep learning.

Une nouvelle méthode qui améliore les réseaux neuronaux élagués pour de meilleures performances.

Cette étude présente de nouvelles méthodes pour créer des images HDR à partir de données brutes de capteur.

Un nouveau cadre améliore l'utilisation de la mémoire dans les réseaux de neurones profonds à grande échelle.

Les techniques d'apprentissage profond améliorent les images de microscopie électronique pour une meilleure analyse du cerveau.

Une nouvelle méthode améliore la segmentation des lésions de la matière blanche chez les bébés prématurés.

L'entraînement efficace de bas rang améliore les modèles CNN pour les environnements avec peu de ressources.

SADIR améliore la reconstruction 3D en intégrant des connaissances sur les formes pour plus de précision.

AutoFT améliore la performance des modèles sur des données inédites grâce à des techniques de fine-tuning innovantes.

A-Eval évalue des modèles pour segmenter les organes abdominaux sur des ensembles de données variés.

Un nouveau modèle améliore la qualité des images HDR en utilisant des réglages de lumière variés.

DTS améliore l'efficacité de la prise de décision en utilisant des réseaux de neurones dans des environnements où les données sont rares.

Momentum-SAM propose une alternative efficace aux méthodes d'entraînement traditionnelles pour les réseaux de neurones.

Cette étude analyse comment les modèles de deep learning reconnaissent les expressions faciales par rapport aux humains.

Une nouvelle méthode réduit les paramètres dans les modèles de transformateurs tout en maintenant la performance.

Un nouvel outil simplifie l'apprentissage sur les Vision Transformers et leur fonctionnement.

LMBiS-Net améliore la segmentation des vaisseaux rétiniens pour détecter les maladies des yeux plus efficacement.

Cette étude explore les problèmes liés à l'utilisation des convnets pour la création de filtres audio.

Apprends à améliorer l'efficacité des modèles transformer avec un design optimisé pour le GPU.

Une étude révèle de fortes tendances dans les CNN séparables en profondeur liées à la vision biologique.

tGAN améliore l'analyse des images cellulaires grâce à la génération de données synthétiques.

EnCodecMAE combine l'apprentissage auto-supervisé et les codecs audio pour améliorer les performances dans les tâches audio.

Simba améliore l'efficacité de l'optimisation, en s'attaquant efficacement aux points de selle et aux zones plates.

Un aperçu simple de la façon dont les tenseurs interagissent dans les réseaux de neurones.

BlackMamba combine des modèles d'état et un mélange d'experts pour des tâches de langue efficaces.

DeepAAT améliore la vitesse et la précision de la cartographie aérienne grâce à des techniques d'apprentissage profond.

Double-Dip combine l'apprentissage par transfert et la randomisation pour se protéger contre les attaques par inférence de membres.

Cette étude examine l'ajout de récurrence aux Transformers pour améliorer les performances dans les tâches d'apprentissage machine.

NISF améliore la segmentation des formes anatomiques en imagerie médicale avec une précision accrue.

Cet article parle des méthodes d'apprentissage profond pour analyser les données de trajectoire dans différents domaines.

De nouvelles techniques améliorent la vitesse et l'efficacité des attaques par morphing sur les systèmes de reconnaissance faciale.

Cette méthode accélère l'entraînement des modèles séquentiels sans sacrifier la précision.

Explorer l'intégration des LLM dans des tâches de calcul haute performance.

MixedNUTS propose une solution pour mélanger précision et robustesse dans l'apprentissage profond.

Apprends comment des perturbations inoffensives protègent la vie privée dans l'apprentissage profond sans affecter la fonctionnalité des réseaux de neurones profonds.

Cette recherche examine comment la taille du modèle et des données impacte la performance des modèles graphiques.