登录社区云，与社区用户共同成长
邀请您加入社区
导读LETNet将U形CNN与Transformer有效地结合在一起，以胶囊嵌入的方式弥补彼此的不足。同时，精心设计的轻量级空洞bottleneck（LDB）模块和特征增强（FE）模块对从头开始的训练产生了积极影响。在具有挑战性的数据集上进行的大量实验表明，LETNet在准确性和效率之间的平衡方面表现出色。摘要在过去十年里，卷积神经网络（CNNs）在语义分割任务中展现出了重要地位。尽管CNN模型表
本文将介绍深度学习语义分割任务中常用的几个模块，主要包括：ASPP、PP、Encoding、JPU、DCM几个模块，分析其原理并给出对应的代码实现，相信一定对你有所帮助。
作者提出了一种深度阶段分解策略（Deep-stage Decomposition Strategy, DDS），该策略受人类视觉系统“先概览后细看”（Overview-first-Look-Closely-next）机制的启发，将卷积网络（ConvNet）分解为三个协同工作的子网络：Base-Net（基础网络）、Overview-Net（概览网络）和Focus-Net（聚焦网络）。这种设计旨在通过
本文系统对比了目标检测领域的两大流派：两阶段算法（以Faster R-CNN为代表）和一阶段算法（以TOOD和YOLOv8为例）。Faster R-CNN通过RPN和检测头的两阶段设计实现高精度检测，但速度较慢；TOOD创新性地提出任务对齐头，解决了一阶段算法分类与定位错位的问题；YOLOv8则在速度、精度和工程化上取得平衡，成为工业落地首选。文章从架构范式、任务设计、锚框机制等维度深入分析，并给
本期我们基于 PHM2012 挑战赛滚动轴承全寿命数据，推出基于 Python 的轴承寿命预测模型合集：LSTM、CNN、GRU、TCN、Transformer、CNN-LSTM、CNN-Transformer、Transformer-BiLSTM等系列预测模型全家桶，并提供丰富的实验和解说
发表时间：2024本文提出了一种空间和频域融合网络（SFFNet）框架，旨在充分利用空间信息进行分割，并解决遥感图像分割中处理显著灰度变化区域的挑战。： 使用空间方法提取特征，获得具有充足空间细节和语义信息的特征。：将这些特征映射到空间和频域。在频域映射中，引入了小波变换特征分解器（WTFD）结构，利用Haar小波变换将特征分解为低频和高频成分，并与空间特征结合。为了弥合频域和空间特征之间的语义差
世界模型可以预见不同动作的结果，这对自动驾驶至关重要。然而，现有的驾驶世界模型在对未知环境的泛化、关键细节的预测逼真度以及灵活应用的动作可控性方面仍然存在局限性。在本文中，我们提出了Vista，一个通用的驾驶世界模型，具有高保真度和多方面的可控性。基于对现有方法的系统诊断，我们引入了几个关键因素来解决这些限制。为了以高分辨率准确预测真实世界的动态，我们提出了两种新的损失来促进移动实例和结构信息的学
想要在移动端部署CNN，需要模型大小比较小、时耗比较低，才能适用于算力和内存受限的移动设备。空域滤波从通信的内容出发，尽量减少要通信的数据量，对传输的内容进行过滤、压缩或者量化，减少每一次传输所需的时间。模型过滤比较直观的方法是对模型参数进行过滤。如果一次迭代过程中某些参数没有明显变化，则可以将其过滤掉，从而减少通信量。实践中，在训练的后期，众多的参数会趋于收敛，只需要保留少量的参数更新信息，整个
如何突破当代人工智能（AI）的瓶颈？不同学者存在不同观点。总体来看可以概括为两类，其一监督学习者，提倡通过改善数据标签质量，从而完善监督学习。代表人物有发起“以数据为中心AI”革命的吴恩达，提倡设计“合成数据自带所有标签”的Rev Lebaredian。其二，无监督学者，例如Yann LeCun，提倡下一代AI系统将不再依赖于精心标注的数据集。近日，Yann LeCun在meta AI（原Face
