Derniers articles pour Apprentissage Profond

LegoNet améliore la segmentation d'images pour les scans médicaux en utilisant des techniques de blocs de construction innovantes.

Une analyse d'ImageNet par rapport à LAIONet et leurs effets sur la précision des modèles.

Une nouvelle méthode améliore la génération de visages 3D en utilisant des ensembles de données inconsistants.

Présentation de xAI-CycleGAN pour des transformations de style d'image plus rapides et de haute qualité.

ViG-UNet combine des réseaux de neurones graphiques et U-Net pour améliorer l'analyse d'images médicales.

Une nouvelle approche pour entraîner des modèles afin de mieux gérer les images médicales occluses.

Une nouvelle méthode de déformation en profondeur améliore la précision de la segmentation des organes abdominaux.

Examine l'impact du déséquilibre avant-arrière-plan sur la performance de détection d'objets.

Une étude sur les dépendances des paquets TensorFlow et PyTorch dans l'écosystème PyPI.

ReDy optimise l'efficacité de l'apprentissage profond grâce à la quantification dynamique, réduisant ainsi la consommation d'énergie.

Un nouveau cadre réduit les coûts de labellisation manuelle dans la segmentation d'images alimentaires.

Un regard approfondi sur la perte contrastive supervisée et son impact sur les réseaux de neurones profonds.

Une nouvelle technique aide les réseaux neuronaux à gérer les décalages et rotations d'images.

ResUNetFormer améliore l'extraction de routes à partir d'images aériennes en s'attaquant à des défis clés.

Des recherches montrent comment notre cerveau suit les caractéristiques de la parole pendant la compréhension.

Un nouveau modèle améliore l'efficacité et la précision de la segmentation d'images cérébrales.

Une nouvelle méthode de défense s'attaque aux attaques adversariales sur la détection d'objets dans les images de télédétection.

Une nouvelle analyse explore le rôle de la parcimonie dans l'amélioration de la généralisation des réseaux de neurones.

Une méthode pour trouver et corriger les erreurs dans la conversion de modèles DNN.

Les avancées en deep learning améliorent notre façon de reconstruire des images à partir des signaux cérébraux.

Une nouvelle méthode améliore la façon dont les ordinateurs traitent les images imparfaites.

Rockmate automatise l'optimisation de la mémoire pour entraîner efficacement de gros modèles d'apprentissage profond.

Une nouvelle méthode réduit les coûts mémoire pour les optimiseurs avancés en apprentissage automatique.

Un aperçu des capacités de classification et de l'efficacité de conception de ConvResNeXt.

Un aperçu de la recherche d'architecture neuronale et son rôle dans l'apprentissage profond.

Cette étude évalue à quel point les LLMs reconnaissent et relient les formes géométriques.

Une technique pionnière combine l'apprentissage profond et la physique pour des images plus rapides.

Une nouvelle méthode améliore l'efficacité de l'entraînement pour les réseaux sur des appareils à faibles ressources.

Explore l'importance des fonctions de perte et des métriques de performance dans les modèles d'apprentissage profond.

MSViT améliore le traitement d'image en ajustant la taille des tokens pour plus d'efficacité.

Une nouvelle méthode de tramage restaure les couleurs d'origine tout en améliorant la qualité de l'image.

Explorer le momentum de Nesterov pour entraîner efficacement des réseaux de neurones profonds.

Ce papier explore les semi-anneaux pour améliorer l'analyse des gradients dans les modèles d'apprentissage profond.

Cet article passe en revue l'application des modèles de base dans la segmentation d'images.

Les LDMs améliorent la détection d'out-of-distribution dans l'imagerie médicale 3D.

Apprends comment la normalisation par lots améliore la vitesse d'entraînement et la performance du modèle.

VariGrad améliore la création de vecteurs de caractéristiques à partir de données géométriques pour une meilleure analyse des formes.

Une nouvelle méthode utilisant des réseaux de neurones graphiques améliore l'analyse des chiffres romains pour la musique.

La recherche explore l'efficacité de l'apprentissage par transfert sur les ensembles de données LiDAR pour l'archéologie.

Une nouvelle méthode améliore considérablement la qualité des images sous-marines.