Derniers articles pour Apprentissage Profond

De nouvelles techniques améliorent les Vision Transformers pour de meilleures performances avec des petits jeux de données.

Une nouvelle méthode améliore la détection du cancer de la vésicule biliaire en utilisant des étiquettes d'images basiques.

Une nouvelle méthode améliore la photo sous-marine en s'attaquant aux problèmes de lumière.

Cette étude passe en revue des techniques de réseaux de neurones efficaces pour l'analyse d'images en télédétection.

Une méthode qui accélère les opérations de convolution dans les réseaux de neurones profonds.

TransNet propose une solution efficace pour reconnaître les actions humaines dans les données vidéo.

Explorer le lien entre les réseaux résiduels et les équations différentielles ordinaires neuronales.

Une nouvelle méthode améliore la précision dans la mesure de la déformation des gels pour les capteurs robotiques.

Le nouveau modèle SAMUS améliore la segmentation des images échographiques pour une précision clinique renforcée.

Un nouveau codec atteint une haute efficacité dans la transmission de données de nuages de points.

Les V-nets offrent une nouvelle façon de voir l'efficacité et la performance de l'apprentissage profond.

Une nouvelle méthode accélère les simulations en physique des particules en utilisant des techniques de super-résolution.

Présentation de COPS, une méthode pour entraîner efficacement des modèles de deep learning avec moins de données.

Présentation de CMI et NCMI pour une meilleure évaluation des performances en deep learning.

Cet article parle du rôle de la perception des VE dans la technologie de conduite autonome.

De nouvelles méthodes visent à améliorer l'imagerie des problèmes cardiaques fœtaux.

La méthode EditAS améliore la génération d'assertions pour de meilleurs résultats en tests unitaires.

Une nouvelle approche pour le modélisation de surface avec des réseaux de neurones.

De nouvelles méthodes améliorent les performances de l'ECC en utilisant l'apprentissage profond et des designs de matrices innovants.

De nouvelles approches de l'informatique analogique améliorent la précision et l'efficacité dans l'apprentissage profond.

ModelGiF propose une méthode pour quantifier les relations entre les modèles de deep learning.

Une nouvelle méthode améliore la reconnaissance des cibles dans les images SAR avec moins de données d'entraînement.

LineMarkNet améliore la précision du stationnement des véhicules autonomes grâce à une détection de lignes avancée.

Une nouvelle méthode vise à améliorer la précision de segmentation des images IRM de l'artère carotide.

Une nouvelle approche améliore la relation entre les caractéristiques visuelles et les questions dans le VQA.

Une nouvelle méthode améliore la précision de la segmentation des images par ultrasons grâce aux cartes de confiance.

Une nouvelle méthode améliore la précision de la segmentation dans des scénarios de données limitées.

Une nouvelle approche pour mieux identifier les attaques adversariales sur les systèmes d'apprentissage profond.

La recherche améliore les modèles d'apprentissage profond pour les environnements avec peu de ressources.

Une approche innovante améliore l'efficacité et la précision des tests de reconnaissance d'image.

Un aperçu clair des RNN et de leurs méthodes de linéarisation pour améliorer l'efficacité du modèle.

Cette étude montre l'efficacité des GNN pour analyser des panneaux renforcés.

Les réseaux de nuages de points réduisent les paramètres tout en gardant la performance dans les tâches d'apprentissage profond.

Une nouvelle méthode améliore la reconnaissance des plaques d'immatriculation en utilisant des images prises sous différents angles de caméra.

Des chercheurs ont développé un modèle d'apprentissage profond pour prédire les éruptions solaires avec une meilleure précision.

Cette étude montre comment les signaux du cerveau peuvent recréer des images vues par des personnes.

Une nouvelle méthode améliore la classification de précision en utilisant la découverte de parties et l'apprentissage contrastif.

De nouveaux modèles de deep learning améliorent l'analyse des organites en microscopie à lumière transmise sans marquage.

Ce papier examine le paysage des retours et ses implications sur la performance des agents.

Une étude explore les formats FP8 pour améliorer l'efficacité et la précision des modèles.