Derniers articles pour Apprentissage Profond

Une nouvelle méthode améliore les modèles 3D générés à partir d'images uniques.

Graph-Segmenter améliore la segmentation d'image grâce à des techniques de transformateur innovantes.

Les avancées en deep learning améliorent la qualité et l'efficacité de l'imagerie Cone Beam CT.

Examiner l'efficacité des réseaux de neurones à travers des principes thermodynamiques.

SYENet propose des solutions en temps réel pour les tâches de vision de bas niveau sur les appareils mobiles.

Cette étude examine comment l'élagage affecte les modèles d'apprentissage profond pour l'analyse d'images médicales.

Examiner comment les attaques adversariales impactent DeepReceiver dans les systèmes de communication sans fil.

Cet article examine les faiblesses des méthodes de sélection de tests pour les systèmes d'apprentissage profond.

Découvre comment des modèles avancés améliorent les images basse résolution pour un meilleur performance OCR.

Une nouvelle structure de réseau améliore la détection d'objets en utilisant des images RGB-D.

DEQDet propose une nouvelle approche pour la détection d'objets en utilisant un modèle d'équilibre profond.

Présentation de Knowledge Bridge Learning pour améliorer le transfert de connaissances en deep learning.

NAPA-VQ propose une solution pour garder les connaissances dans les systèmes d'IA tout en apprenant de nouvelles infos.

Un nouveau cadre combine l'apprentissage par renforcement et l'optimisation pour améliorer la planification des tâches.

Cet article examine des moyens d'améliorer la quantification dans les modèles d'apprentissage profond en utilisant TVM.

Une nouvelle approche pour comprendre les données structurées en graphes et les relations entre les nœuds.

Une étude sur l'extraction de caractéristiques pour la classification de texte en bangla en utilisant des modèles d'apprentissage profond.

De nouvelles méthodes améliorent la qualité de l'image tout en accélérant le processus.

De nouvelles méthodes améliorent la clarté et la qualité des images floues.

Cette méthode améliore la reconnaissance des symboles mathématiques écrits à la main en utilisant des relations sémantiques.

SDeMorph récupère des visages originaux à partir d'images déformées sans aucune référence.

L'équivariant permet aux réseaux de neurones de reconnaître les images de manière cohérente malgré les transformations.

Une méthode pour prévoir les défauts internes du bois en se basant sur les formes extérieures.

LEAP améliore les tests adversariaux pour les logiciels de traitement du langage naturel.

Une nouvelle méthode améliore la performance des modèles de ML et DL pendant l'inférence.

Cet article parle de l'Hypothèse du Billet de Loterie et des techniques d'élagage dans les DNN.

Un cadre pour mesurer précisément la consommation d'énergie dans les systèmes d'apprentissage profond.

Une nouvelle méthode améliore la qualité des images de empreintes digitales pour une meilleure authentification biométrique.

Les modèles génératifs profonds améliorent l'imagerie médicale grâce à des techniques d'augmentation de données.

De nouvelles méthodes améliorent la résilience des réseaux de neurones face aux attaques adverses.

Utiliser des modèles génératifs pour améliorer les images synthétiques dans la recherche en microscopie.

Une nouvelle méthode améliore la confiance dans les modèles d'apprentissage profond pour les images médicales.

SaEnet améliore les performances des CNN en se concentrant sur les fonctionnalités essentielles des images.

Des chercheurs développent des masques de poids pour aider les modèles à garder leurs connaissances en apprenant de nouvelles tâches.

Cet article explore le rôle des Transformers dans la restauration d'images et leurs vulnérabilités aux attaques adversariales.

Cette étude améliore les modèles d'analyse de mise en page pour les documents bengalis en utilisant Mask R-CNN.

Apprends comment les CNN aident à nettoyer efficacement les images bruyantes.

DiffI2I améliore la translation d'image à image avec une précision et une efficacité accrues.

Un nouvel outil évalue comment les réseaux de neurones réagissent aux changements d'input, super important pour la sécurité.

Un nouveau modèle améliore l'efficacité et la précision de la détection de contours dans le traitement d'images.