跳到主要内容
检索

University of Houston

4 篇关联报道

订阅更新
  1. 移动机器人加CNN的花卉识别框架在50张训练图和50张测试图上分别达到92.0%与95.0%准确率

    该研究提出一个将移动机器人图像采集与卷积神经网络花卉识别相结合的智能园艺框架,机器人拍摄花园图像、CNN对花卉物种进行分类并给出植物专属信息以支持后续养护决策,在50张训练图像和50张独立测试图像上分别取得92.0%训练准确率和95.0%测试准确率,并为未来的灌溉、施肥和自主花园管理功能奠定基础。

  2. arXiv

    SEA-PEFT 在 1/5/10-shot 3D 医学分割中把平均 Dice 提高 2.4–2.8 分,且只训练不到 1% 参数

    作者提出 SEA-PEFT,把适配器配置当作微调过程中的在线分配问题,用“搜索—审计—分配”循环训练当前激活的适配器、通过临时关闭某个适配器来估计其 Dice 效用、再在参数预算下用贪心背包重新选择激活集合,并以 EMA+IQR 平滑和有限状态机稳定该循环;在 TotalSegmentator 与 FLARE’22 上,1/5/10-shot 设置下平均 Dice 比最强的固定拓扑 PEFT 基线高 2.4–2.8 分,同时训练参数少于 1%。

  3. arXiv

    MeshHeal 用双时间尺度同伴评审在 BBH、MATH、MMLU-Pro 上以每任务 51k token 达到 0.839 降级期准确率,优于 Symphony 的 0.807(115k token)

    该工作提出 MeshHeal,一个完全去中心化的自愈框架,通过跨两个时间尺度的能力匹配同伴评审来应对去中心化 LLM 多智能体系统中的灰色故障:在快时间尺度上,自适应层级将不确定或低分输出从重复单评审者评估升级到委员会审议并在使用前纠正;在慢时间尺度上,任务与能力条件的同伴相对检测器聚合分数以区分持续退化与普通输出波动,触发强制委员会评审并最终将退化智能体排除出常规路由,恢复探针为其重新加入提供新证据;作者同时提出 Model-Backed MAS Evaluation 将能力分配绑定到执行模型,并在 BBH、MATH、MMLU-Pro 上报告 MeshHeal 在降级期达到 0.839 准确率、每任务共 51k 模型 to

  4. SurgDepth:面向手术场景理解的深度基础模型测试时自适应

    该工作提出 SurgDepth,一种无需任何标注手术数据的测试时自适应框架,通过立体光度一致性与翻转等变性两种自监督信号、选择性解码器自适应以及进度感知锚点正则化和低照度序列结构信任保护两项免调参可靠性机制,将自然图像预训练的深度基础模型适配到内窥镜手术场景;作者报告在立体图像对上 AbsRel 最多降低 63%、无立体时降低 42%,在五个跨域评测设置中改善四个,跨七种基础模型泛化,并在完整标准 Hamlyn 基准上取得所报告方法中最低的 AbsRel(0.128),所有结果均为中值缩放后的相对深度,20 步收敛(0.4 秒)。

已读完全部报道