跳到主要内容
检索

# 图像分类

9 篇关联报道

订阅更新
  1. researchsquare.com

    隐私联邦学习不再整包上传:按网络阶段筛出可共享的体育语义,强隐私下识别率提高约4个点

    体育图像分散在学校、俱乐部等机构,联邦学习虽不传原图,但上传的模型更新仍可能泄露信息,差分隐私的裁剪与噪声又会损伤有用知识。FedSS 在裁剪之前按网络阶段评估每部分更新的可共享程度,只把跨客户端可迁移的体育语义加噪上传,把客户端特有的外观、背景等上下文留在本地。在 sport22 与 sport100 上,它相对最强基线 DPSIR-Fed 在视觉上下文异质设置下分别高出 5.78 和 5.71 个百分点,在 ε=4 的强隐私设置下把 sport22 准确率从 42.67% 提到 46.81%。

  2. arXiv

    测试集缺了夜间样本,评测就会选错模型:把白天图改成夜间图补进测试集,选型结论回到与完整数据一致

    在测试与评估中,若测试集缺少夜间这类关键语义条件,模型选型会被误导;一套生成式流程用视觉语言模型找出缺失语义、用扩散模型把白天图改造成夜间图补进测试集,使选型结论与完整覆盖的数据集一致。

  3. arXiv

    连续思维机器分类图像时并不逐图搜索:它沿一条几乎共享的定点曲线走,注意力表也基本通用

    连续思维机器在ImageNet上分类图像时,内部状态沿着一条随每个节拍移动的吸引定点曲线前进,这条曲线的大部分运动对所有图像相同,注意力安排也基本通用,打乱不同图像的查询只损失约7%的准确率。

  4. Physical Review Applied

    单层衍射网络精度卡在64.2%:把边缘检测做进同一片超表面,MNIST升到80.7%

    单层衍射神经网络受限于波前调制能力,分类精度长期受限。研究者把边缘检测与分类集成到同一块非局域超表面上,用自旋复用让同偏振分量做动量空间滤波提取轮廓、交叉偏振分量经几何相位调制完成分类,并在新月形纳米柱中耦合连续域准束缚态与磁偶极共振,把偏振转换效率做到约55%。在MNIST数据集上,这种边缘增强结构把单层网络的分类精度从64.2%提升到80.7%。

  5. arXiv

    EXAQC 将进化式量子电路发现扩展到图像分类,在 CIFAR-10 上以超过 25 倍更少参数达到 85.68% 准确率

    该工作把进化式量子电路发现框架 EXAQC 扩展到图像分类,将参数化量子电路作为中间处理模块、保留经典特征提取与预测层,在 MNIST、Fashion-MNIST、CIFAR-10 上分别达到 98.42%、90.62%、85.47% 准确率,门数与其他量子架构搜索方法相当,并以超过 25 倍更少的可训练参数在 CIFAR-10 上达到 85.68%,同时发现旋转型编码(RX、RY、U3)在 CIFAR-10 上比振幅编码高出 22-25 个百分点。

  6. arXiv

    VisionHOPE 把视觉骨干变成自修改学习系统,在 ImageNet-1K、COCO、ADE20K 上取得有竞争力的结果

    该工作提出 VisionHOPE,把视觉骨干表述为自修改学习系统:内容、键、值、学习率与保留五类记忆在每次扫描中共同演化,并配合稳定性匹配的步长控制(自指注入软上限加保留转移谱夹紧)证明记忆动态非扩张,在 ImageNet-1K、COCO 与 ADE20K 上取得有竞争力的结果。

  7. arXiv

    TAPe+ML v3 用不到 10 万参数在 COCO 检测上取得 84.7 mAP50、65.3 mAP50-95,并在工业矿石堵塞试点中把 30 张图上的准确率从 YOLO 26s 的约 28% 提升到约 65%

    该工作提出 TAPe+ML v3:以 TAPe(主动感知理论)结构化表示替代原始像素张量,配合背景、指针、原型聚类等子模型与协调器,在不到 10 万参数下于 COCO 检测取得 84.7 mAP50 与 65.3 mAP50-95、COCO 实例分割取得 80.7 mask mAP50 与 58.4 mask mAP50-95,ImageNet-1k Top-1 为 88.1%、ImageNet-Real 为 89.9%,Imagenette 上相同训练条件下 TAPe 输入达 92% 而原始像素基线为 47%,并在矿石堵塞工业试点中显示骨干适配比仅调头部更有效。

  8. 基于AI的智能手机蜱虫快速识别与地理空间制图应用:一项初步研究

    该初步研究在2023年5月至2024年12月间从日本冈山、广岛、香川三县10家医疗机构就诊的蜱叮咬患者处采集蜱虫,并补充野生蜱图像,构建了包含目标检测与属级分类的两阶段AI流程,其中YOLO类检测模型在3258张公开标注图像上训练后达到mAP@0.5为0.954,ResNet50在533张覆盖四个属的蜱图像上取得平均验证准确率95%,并将系统整合为带地理空间可视化的原型智能手机应用,用于辅助临床风险评估与公共卫生监测。

  9. arXiv

    Just Leaf It:用层级类别剪枝加速扩散分类器

    该工作提出层级扩散分类器(HDC),利用数据集标签的父子层级结构,在剪枝阶段逐层用较少的蒙特卡洛采样估计ε-预测误差并只保留误差最低的若干节点,再对保留下来的叶节点执行经典扩散分类,从而在ImageNet-1K上以Stable Diffusion 2.0实现约60%的推理加速(1600秒降至650秒)或在几乎不增加时间的情况下把逐类准确率从64.90%提升到65.16%。

已读完全部报道