Derniers articles pour Apprentissage Profond

Une nouvelle approche améliore la compréhension des interactions neuronales et de leur rôle dans le comportement du cerveau.

Découvre comment la matrice de Gauss-Newton améliore l'efficacité de l'entraînement des réseaux de neurones.

Cette étude souligne l'importance des activations de niveau intermédiaire dans les modèles d'IA.

AE-DENet améliore la communication des données grâce à des méthodes avancées d'estimation de canal.

Une nouvelle méthode simplifie l'élagage des modèles de deep learning en utilisant des principes de la physique.

Le cadre ASiM améliore la précision des technologies de deep learning écoénergétiques.

Des données pourries peuvent mener à une mauvaise performance des modèles dans les applis de deep learning.

Milabench propose des benchmarks sur mesure pour améliorer les évaluations de performance de l'IA.

TP-UNet améliore la segmentation d'images médicales en utilisant des infos temporelles.

xIELU propose une alternative prometteuse aux fonctions d'activation traditionnelles en deep learning.

Les scientifiques utilisent l'apprentissage profond pour prédire les résultats des collisions d'ions lourds.

Une nouvelle méthode renforce la sécurité de l'apprentissage profond avec des empreintes neuronales aléatoires.

Découvrez comment EAST optimise les réseaux de neurones profonds grâce à des méthodes de pruning efficaces.

GCA-HNG améliore l'entraînement des modèles en créant des échantillons négatifs difficiles.

Examiner l'impact du matériel et de la communication sur l'efficacité de l'apprentissage profond.

Découvre comment l'élagage des couches améliore l'efficacité et la performance des modèles.

Utiliser le deep learning pour reproduire le charme du film Cinestill 800T dans des images numériques.

FLRNet améliore la reconstruction du flux de fluide en utilisant des données de capteurs limitées.

MobileMamba propose un traitement d'image efficace pour les appareils avec des ressources limitées.

LRSAA améliore la détection d'objets dans les images aériennes grâce à des techniques avancées.

Découvre comment l'EPS améliore la qualité vidéo tout en économisant de la bande passante.

Découvre comment le Test-Time Training aide les modèles à s'adapter aux données d'image qui changent.

GenDeg améliore la restauration d'images en créant des ensembles de données d'entraînement diversifiés.

Examiner l'impact de la réduction du taux sparse sur la performance des modèles Transformer.

Un nouveau cadre améliore les performances avec moins d'images étiquetées en segmentation sémantique.

Découvre les avantages d'utiliser EMA dans les modèles de deep learning.

Les astronomes utilisent l'apprentissage profond pour mieux comprendre la structure de l'univers.

Une nouvelle méthode atteint une grande précision dans la reconnaissance vocale en utilisant un minimum de données.

Le bruit des étiquettes peut freiner les modèles de deep learning ; de nouvelles méthodes améliorent la précision.

HGNet améliore la communication sans fil avec des solutions de formation de faisceau intelligentes et rapides.

Découvrez comment la communication THz et l'apprentissage profond peuvent transformer le transfert de données.

De nouvelles techniques améliorent la détection du cancer de la vésicule biliaire grâce aux images échographiques.

SEMU-Net améliore la fabrication de dispositifs photoniques en silicium intégrés.

Apprends à améliorer la performance d'Adam avec de meilleures stratégies d'initialisation.

Découvre une méthode pour aider les modèles à s'adapter aux nouvelles données sans devoir les réentraîner de manière intensive.

Explorer comment les réseaux hyperboliques peuvent résister aux attaques adversariales.

Apprends comment les MLVGMs aident à protéger les systèmes de vision par ordinateur contre les attaques adversariales.

Une nouvelle méthode améliore les scanners CT en combinant l'apprentissage profond avec la reconstruction d'images.

La méthode CNA améliore les GNN en s'attaquant à l'oversmoothing et en boostant les performances.

Évaluer les sorties cachées pour protéger les données sensibles dans les systèmes d'IA.