Derniers articles pour Apprentissage Profond

Des recherches montrent un remplacement efficace des embeddings positionnels dans les modèles de traduction.

Apprends comment le pruning des modèles booste la performance de l'IA et réduit les besoins en ressources.

L'apprentissage profond améliore la détection automatique des photorécepteurs coniques dans les images AOSLO.

Une nouvelle méthode améliore les performances du modèle en utilisant des connaissances partagées entre les tâches.

Une nouvelle méthode pour renforcer la robustesse des modèles contre les attaques adverses.

Une nouvelle méthode permet de faire de la modélisation 3D juste à partir de deux images sans avoir besoin des détails de la caméra.

L'apprentissage par petits échantillons offre un nouvel espoir pour un diagnostic efficace des maladies en histopathologie.

Une nouvelle méthode pour réduire les paramètres et accélérer l'entraînement des réseaux de neurones.

Une nouvelle architecture améliore les prédictions denses sur des maillages 3D en utilisant des techniques multi-résolution.

Explorer comment l'apprentissage multi-tâches affecte la performance et la généralisation des modèles.

Une nouvelle méthode identifie les anneaux des arbres dans les images en utilisant l'apprentissage profond.

Présentation de LoG-VMamba pour une segmentation d'images médicales améliorée.

Les méthodes apprises améliorent l'efficacité et la qualité de la compression d'image.

Cette étude compare l'apprentissage automatique et l'apprentissage profond sur des ensembles de données tabulaires pour évaluer leur efficacité.

Une nouvelle méthode améliore la performance des modèles visuels en utilisant des images RAW.

De nouvelles techniques réduisent la consommation d'énergie en apprentissage profond tout en gardant la précision.

De nouvelles méthodes améliorent la reconnaissance vocale dans des situations difficiles avec plusieurs intervenants.

Une nouvelle méthode améliore la sécurité des DNN sans avoir de données propres.

L'architecture innovante améliore l'efficacité de l'apprentissage profond grâce à la computation optique.

NeuralMPM accélère les simulations de matériaux en utilisant des techniques de deep learning.

Explorer les défis de l'apprentissage multi-tâches et continu en apprentissage automatique.

Une nouvelle approche améliore la qualité des images dans les VAE multimodaux en utilisant des décodeurs de diffusion.

Un nouveau cadre améliore les images médicales en utilisant des infos anatomiques locales pour un meilleur diagnostic.

Une nouvelle approche de la segmentation d'instance vidéo qui réduit les besoins en annotation.

Un nouveau modèle améliore la précision de détection des objets dans des images complexes.

Présentation d'IBO : une méthode pour améliorer la transparence de la prise de décision de l'IA en histopathologie.

ART simplifie le développement de modèles de deep learning avec des étapes structurées et des outils de débogage.

Nouveau modèle améliore la qualité des images DWI à partir de données limitées en utilisant l'apprentissage profond.

Une nouvelle méthode pour gérer le déséquilibre des classes avec Whitening-Net améliore la performance de classification d'images.

Combiner la physique et l'apprentissage profond pour améliorer la modélisation du comportement des matériaux.

La recherche examine l'importance des monticules de terre et leur impact sur les écosystèmes.

RevCD améliore l'apprentissage sans exécution en reliant les infos visuelles et sémantiques pour des catégories non vues.

Un modèle hybride retire efficacement les traces de pluie des images en utilisant des techniques avancées.

Une nouvelle méthode vise à mieux séparer les galaxies mélangées dans les images du LSST.

De nouvelles méthodes améliorent la compréhension des décisions en deep learning dans l'analyse des séries temporelles.

Présentation d'un modèle qui améliore la recherche d'images en intégrant l'incertitude.

TBConvL-Net améliore la précision et l'efficacité dans la segmentation d'images médicales.

deepSpecas aide les chercheurs à identifier des événements d'épissage alternatif à partir de données RNA-Seq avec une grande précision.

F2former combine l'apprentissage profond et les transformations fractionnaires pour des images plus nettes.

TransDAE améliore la segmentation d'images médicales, facilitant le diagnostic des maladies et la planification des traitements.