跳到主要内容
检索

# Swin Transformer

5 篇关联报道

订阅更新
  1. arXiv

    PoreTimeNet把整段CT序列一起分割:碳酸盐岩溶蚀孔隙度误差从0.97降到0.28个百分点

    时间分辨显微CT一次实验可产生数十到数百张三维图像,逐张分割的误差会在图像间漂移,被误读成岩石本身的变化。PoreTimeNet把同一时间窗内的多张图像一起送入共享空间编码器,用时间注意力和解码融合借用相邻时刻的信息。在碳酸盐岩溶蚀序列上,它的平均绝对孔隙度误差为0.28个百分点,忽略时间信息的3D模型为0.97个百分点,岩石边界F1由0.833升到0.941。

  2. researchsquare.com

    化学天气模型CWAI把污染物和气象放进同一个状态,10天预报误差低于WRF-Chem

    区域空气质量预报长期依赖在线耦合的数值化学天气模式,其技巧受气象初值、排放清单和侧边界条件牵制。CWAI把气象、颗粒物与反应性气体当作一个联合大气状态,用连续两个时刻的状态、排放和地表描述符驱动分层Swin Transformer,递归40个6小时步长得到10天预报。在2020年1月和7月共62个起报的WRF-Chem对照中,CWAI对六种地面污染物的初始化加权RMSE全部更低,降幅从PM2.5的15.8%到NO2的25.8%。

  3. arXiv

    One2N把0.7°预报模型推到0.07°:单张80GB GPU训练四周,中层技巧不降

    地球系统AI模型逼近公里级分辨率时,网格间距减半会让格点数翻四倍,端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量:每一级冻结上一级完整预报器,只训练一个跨分辨率残差修正模块,父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°,在单张80GB A800 GPU上训练约四周,对HRES-0.07°分析保持父模型的对流层技巧,同时降低平流层上部误差并刻画更细结构。

  4. 皮肤病灶边界被毛发遮断时,先把高频细节修好再解码:ISIC 2018上Dice达89.69%

    皮肤镜图像里,毛发遮挡、光照不均和局部对比度弱会让病灶边界断裂,而自注意力倾向强调低频内容,使这些弱边界在跳连中被稀释。Swin-WaveNet把编码器跳连特征先做小波分解,只对高频子带做选择性状态空间扫描以接续断开的轮廓,再用深层语义门控滤掉毛发等伪影响应,最后在解码上采样时用高频注意力锐化边界。在ISIC 2018上三次运行的平均Dice为89.69%、HD95为23.60像素,与Swin-Unet差距很小;不经微调直接用于ISIC 2017时Dice为91.69%。

  5. bioRxiv

    混合残差–Swin Transformer 与注意力机制的前列腺癌分割模型 RSAUNet

    该研究提出 RSAUNet,一种在 U-Net 主干中融合残差卷积块、Swin Transformer 块与注意力机制的深度学习架构,用于 MRI 前列腺癌分割,并在公开 Kaggle 前列腺标注数据集上报告了 Dice 系数 0.998、Jaccard 指数(IoU)0.965 的训练与验证结果,同时通过消融实验比较了各组件逐项加入后的损失、准确率、Dice 与平均 IoU 变化。

已读完全部报道