An Energy and GPU-Computation Efficient Backbone Network for Real-Time Object Detection
ETRI(韩国电子通信研究院);SK C&C
由于DenseNet通过密集连接聚合具有不同感受野的中间特征,因此它在目标检测任务上表现出良好的性能。虽然特征重用使DenseNet能够用少量的模型参数和FLOP产生强大的特征,但DenseNet主干的检测器显示出相当慢的速度和低的能量效率。我们发现,线性增加的输入通道的密集连接导致沉重的内存访问成本,这将导致计算开销和更多的能量消耗。为了解决DenseNet的低效率,我们提出了一种称为VoVNet的能量和计算效率架构,该架构由单次聚合(OSA)组成。OSA不仅采用了DenseNet的多感受野表示多样化特征的优点,而且通过在最后一个特征图中仅聚合所有特征一次来克服密集连接的效率低下。为了验证VoVNet作为骨干网络的有效性,我们设计了轻量级和大型VoVNet,并将其应用于一级和两级对象检测器。我们基于VoVNet的检测器性能优于基于DenseNet的检测器,速度快2倍,能耗降低1.6 - 4.1倍。除了DenseNet之外,VoVNet还优于广泛使用的ResNet骨干网,具有更快的速度和更好的能源效率。特别是,小目标检测性能比DenseNet和ResNet有了显著提高。
2019-04-22 cs.CV
The One Hundred Layers Tiramisu: Fully Convolutional DenseNets for Semantic Segmentation
Montreal Institute for Learning Algorithms(蒙特利尔学习算法研究所);École Polytechnique de Montréal(蒙特利尔理工学院);Imagia Inc.(Imagia公司);Computer Vision Center(计算机视觉中心)
用于语义图像分割的最新方法建立在卷积神经网络(CNN)上。典型的分割架构包括(a)负责提取粗略语义特征的下采样路径,随后是(b)被训练以在模型的输出处恢复输入图像分辨率的上采样路径,以及可选地,(c)用于细化模型预测的后处理模块(例如,条件随机场)。最近,一种新的CNN架构,密集连接卷积网络(DenseNets),在图像分类任务上显示出出色的结果。DenseNets的想法是基于这样一种观察,即如果每一层都以前馈方式直接连接到其他每一层,那么网络将更准确,更容易训练。在本文中,我们扩展DenseNets来处理语义分割的问题。我们在CamVid和Gatech等城市场景基准数据集上实现了最先进的结果,无需任何进一步的后处理模块或预训练。此外,由于模型的智能构建,我们的方法比目前发布的这些数据集的最佳条目具有更少的参数。复制实验的代码可以在这里获得:https://github.com/SimJeg/FC-DenseNet/blob/master/train.py
2017-10-31 cs.CV
Exploring Feature Reuse in DenseNet Architectures
University of Alberta(阿尔伯塔大学)
密集连接卷积网络(DenseNets)已被证明可以在图像分类任务上实现最先进的结果,同时使用比竞争方法更少的参数和计算。由于该架构中的每一层都可以完全访问所有先前层的特征图,因此网络不必重新学习先前有用的特征,从而减轻了梯度消失的问题。在这项工作中,我们探讨的问题:在何种程度上是必要的连接到所有以前的层,以获得功能重用的好处?为此,我们引入了本地密集连接的概念,并提出证据表明,较少的连接,允许在一个固定的网络容量增加增长率,可以实现更有效地重用功能,并导致更高的准确性在密集的架构。
2018-06-05 cs.CV
New Pruning Method Based on DenseNet Network for Image Classification
Tamkang University(淡江大学);National Cheng Kung University(国立成功大学)
深度神经网络在计算机视觉领域取得了重大进展。最近的研究表明,神经网络结构的深度、宽度和快捷连接对其性能起着至关重要的作用。最先进的神经网络架构之一DenseNet通过密集连接实现了出色的收敛速度。但在内存使用量方面仍存在明显的不足。本文介绍了一种新型的修剪工具-阈值,它涉及到MOSFET阈值电压的原理。本工作采用这种方法,以不同的方式连接不同深度的块,以减少内存的使用。它被表示为holdNet。我们在CIFAR 10的数据集上评估了HackholdNet和其他不同的网络。实验表明,HardDNet的速度是DenseNet的两倍,在此基础上,DenseNet比HardDNet快10%,出错率低10%。
2021-12-28 cs.CV
Super-Resolution for Overhead Imagery Using DenseNets and Adversarial Learning
The Johns Hopkins University(约翰斯·霍普金斯大学);Applied Physics Laboratory(应用物理实验室)
生成对抗学习的最新进展允许通过学习低到高分辨率映射来实现图像超分辨率的新模式。在本文中,我们介绍了我们的工作,使用生成对抗网络(GANs)与应用程序的开销和卫星图像。我们已经尝试了几种最先进的架构。我们提出了一种基于GAN的架构,使用密集连接的卷积神经网络(DenseNets),能够以高达8倍的因子超分辨率处理开销图像。我们还研究了这些网络的分辨率限制。我们报告了几个公开数据集的结果,包括SpaceNet数据和IARPA多视图立体视觉挑战,并与其他最先进的架构进行了性能比较。
2017-11-28 cs.CV
Compressed DenseNet for Lightweight Character Recognition
Hefei University of Technology(合肥工业大学);Soochow University(苏州大学);Harbin Institute of Technology(哈尔滨工业大学);National University of Singapore(新加坡国立大学)
卷积递归神经网络(CRNN)是一种用于识别图像中文本的流行网络。像CRNN变体这样的进步,例如具有连接主义时间分类的密集卷积网络,减少了网络的运行时间,但暴露了卷积网络的内部计算成本和权重大小作为瓶颈。具体来说,基于DenseNet的模型利用密集块作为核心模块,但内部特征以密集块中的串联形式组合。因此,作为接近输出的层的输入而传递的组合特征的通道的数量以及相关的计算成本随着密集块变得更深而快速增长。这将严重带来计算量大和权值大的问题,从而限制了密集块的深度。在本文中,我们提出了一个压缩卷积块称为轻量级密集块(LDB)。为了降低计算成本和权重大小,我们重新定义和重新设计了密集块内部特征的组合方式。LDB是类似于密集块的卷积块,但与原始块相比,它可以将计算成本和权重大小降低到(1/L,2/L),其中L是块中的层数。此外,LDB可用于替换任何基于DenseNet的模型中的原始密集块。基于LDBs,我们提出了一个压缩密度网络(CDenseNet)的轻量级字符识别。大量的实验表明,CDenseNet可以有效地降低权重大小,同时提供有前途的识别结果。
2020-07-22 cs.CV
DenseNets Reloaded: Paradigm Shift Beyond ResNets and ViTs
NAVER Cloud AI(NAVER云AI);NAVER AI Lab(NAVER人工智能实验室)
本文复兴DenseNets,通过架构调整、模块重设计和改进训练方案,在保留拼接捷径的同时提升内存效率,超越Swin Transformer、ConvNeXt和DeiT-III,并在ImageNet-1K及下游任务上取得接近最先进的性能。
2024-08-07 cs.CV cs.LG cs.NE
CondenseNet: An Efficient DenseNet using Learned Group Convolutions
Cornell University(康奈尔大学);Tsinghua University(清华大学);Facebook AI Research(脸书人工智能研究院)
深度神经网络越来越多地用于计算资源有限的移动设备。在本文中,我们开发了CondenseNet,一种具有前所未有的效率的新型网络架构。它将密集连接与称为学习组卷积的新模块相结合。密集的连通性促进了网络中的特征重用,而学习组卷积则删除了层之间的连接,而这种特征重用是多余的。在测试时,我们的模型可以使用标准的群卷积来实现,从而在实践中实现高效的计算。我们的实验表明,CondenseNets比最先进的紧凑卷积网络(如MobileNets和ShuffleNets)更有效。
2018-06-07 cs.CV
DenseNet Models for Tiny ImageNet Classification
IISc Bangalore(班加罗尔印度科学学院);UVCE Bangalore(班加罗尔工程学院大学部)
在本文中,我们在Tiny ImageNet数据集上提出了两个图像分类模型。我们基于密集连接卷积网络的思想从头开始构建了两个非常不同的网络。网络的架构是基于该特定数据集的图像分辨率并通过计算卷积层的接收场来设计的。我们还使用了一些与图像增强和循环学习率相关的非传统技术来提高模型的准确性。网络在高约束和低计算资源下训练。我们的目标是实现60%的top-1验证准确度;还提供了结果和误差分析。
2020-06-01 cs.CV
Reversed Active Learning based Atrous DenseNet for Pathological Image Classification
Youtu Lab, Tencent(腾讯优图实验室);Shenzhen University(深圳大学);The Sixth People’s Hospital of Shenzhen(深圳市第六人民医院)
近年来随着深度学习的发展,越来越多的研究尝试采用深度学习模型进行医学图像分析。然而,将深度学习网络用于病理图像分析遇到了若干挑战,例如病理图像的高分辨率(千兆像素)和缺乏癌症区域的注释。为了应对这些挑战,我们提出了一个完整的框架,病理图像分类,其中包括一个新的训练策略,即反向主动学习(RAL),和一个先进的网络,即atrous DenseNet(ADN)。建议的RAL可以删除训练集中的错误标记的补丁。然后可以使用改进的训练集来训练广泛使用的深度学习网络,例如VGG-16,ResNets等。还提出了一种新的深度学习网络,即atrous DenseNet(ADN),用于病理图像的分类。提出的ADN实现多尺度特征提取通过集成的atrous卷积的密集块。已在两个病理数据集(即BACH和CCG)上评价了拟议的RAL和ADN。实验结果表明,所提出的ADN + RAL框架具有优异的性能,即在BACH和CCG验证集上获得了94.10%和92.05%的平均斑块级ACA。
2018-07-06 cs.CV
A Dual Attention-aided DenseNet-121 for Classification of Glaucoma from Fundus Images
Jadavpur University(jadavpur大学)
针对眼底图像青光眼分类任务,提出融合卷积块注意力模块与通道重校准模块的双注意力辅助DenseNet-121模型,在两个标准数据集上取得优于现有最优模型的效果,并验证了各组件有效性。
2024-06-21 cs.AI cs.CV eess.IV
Image Super-Resolution Using Attention Based DenseNet with Residual Deconvolution
Beijing Technology and Business University(北京工商大学)
图像的超分辨率是一个具有挑战性的课题,已经引起了研究和工业界越来越多的关注。在本文中,我们提出了一种新的端到端的基于注意力的DenseNet与残留反卷积命名为ADRD。在我们的ADRD中,一个加权的密集块,其中当前层接收加权功能从所有以前的水平,提出了捕捉有价值的功能依赖于密集层自适应。提出了一种新的空间注意模块,用于生成一组注意图,以强调信息区域。此外,我们设计了一种创新的策略,通过反卷积层对残差信息进行上采样,从而可以准确地对高频细节进行上采样。在公开数据集上进行的大量实验表明,所提出的ADRD在定量和定性方面都具有良好的性能。
2019-07-03 cs.CV cs.LG eess.IV
How does topology influence gradient propagation and model performance of deep networks with DenseNet-type skip connections?
Arm Inc(Arm公司);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
DenseNets引入了级联型跳过连接,在几个计算机视觉任务中实现了最先进的精度。在本文中,我们揭示了级联型跳跃连接的拓扑结构与梯度传播密切相关,这反过来又使DNN的测试性能具有可预测的行为。为此,我们引入了一个名为NN-Mass的新指标来量化信息如何有效地通过DNN流动。此外,我们的经验表明,NN-Mass也适用于其他类型的跳过连接,例如,对于ResNet、Wide-ResNet(WRN)和MobileNet,其包含附加类型的跳过连接(即,残差或反向残差)。因此,对于类似于DenseNet的CNN和ResNets/WRN/MobileNets,我们的理论基础NN-Mass可以以类似的精度识别模型,尽管它们的大小/计算要求有很大的不同。在合成和真实数据集上的详细实验(例如,MNIST,CIFAR-10,CIFAR-100,ImageNet)为我们的见解提供了广泛的证据。最后,我们的NN-Mass的封闭式方程使我们能够在初始化时直接设计显着压缩的DenseNets(用于CIFAR-10)和MobileNet(用于ImageNet),而无需耗时的训练和/或搜索。
2021-04-01 cs.CV cs.LG stat.ML
Multi-scale Convolution Aggregation and Stochastic Feature Reuse for DenseNets
Memorial University of Newfoundland(纽芬兰纪念大学);Dalian University of Technology(大连理工大学)
最近,卷积神经网络(CNN)在许多视觉任务中取得了巨大的成功。特别是,DenseNets已经证明,通过密集跳跃连接的特征重用可以有效地减轻训练非常深的网络的难度,并且在所有后续层中重用初始层生成的特征对性能有很大的影响。为了向网络中提供更丰富的信息,本文提出了一种新的自适应多尺度卷积聚合模块。该模块由多尺度卷积、可训练的跨尺度聚合、maxout和级联层组成,具有高度非线性,可以在使用更少参数的同时提高DenseNet的准确性。此外,由于模型复杂度高,特征重用极其密集的网络容易出现过拟合。为了解决这个问题,正则化方法命名为随机特征重用。通过在训练阶段随机丢弃一组特征图以供每个小批量重复使用,这种正则化方法降低了训练成本并防止了协同适应。在CIFAR-10、CIFAR-100和SVHN基准上的实验结果表明了所提方法的有效性。
2018-10-02 cs.CV cs.LG stat.ML
Eye Know You Too: A DenseNet Architecture for End-to-end Eye Movement Biometrics
Texas State University(德克萨斯州立大学)
本文提出一种用于端到端眼动生物识别的 DenseNet 架构,并通过与相关既往方法比较,证明其超越现有最先进性能且首次接近实际可用的认证水平。
2022-03-28 cs.CV cs.HC
Connection Reduction of DenseNet for Image Recognition
Tamkang University(淡江大学)
卷积神经网络(CNN)通过堆叠卷积层来增加深度,更深的网络模型在图像识别中表现更好。实证研究表明,简单地堆叠卷积层并不能使网络训练更好,跳过连接(残差学习)可以提高网络模型性能。对于图像分类任务,具有全局密集连接架构的模型在ImageNet等大型数据集中表现良好,但不适合CIFAR-10和SVHN等小型数据集。与密集连接不同,我们提出了两种新的层连接算法。Baseline是一个密集连接的网络,两个新算法连接的网络分别命名为ShortNet 1和ShortNet 2。在CIFAR-10和SVHN上的图像分类实验结果表明,ShortNet 1的测试出错率比Baseline低5%,推理时间比Baseline快25%。ShortNet 2将推理时间加快了40%,测试准确性损失更少。代码和预训练模型可在https://github.com/RuiyangJu/Connection_Reduction上获得。
2022-11-15 cs.CV
A Pretrained DenseNet Encoder for Brain Tumor Segmentation
Stryker Corporation(史赛克公司)
本文提出了一种基于U-net架构的卷积神经网络,用于多模态3D MR图像中脑肿瘤的自动分割。我们评估了在ImageNet数据集上预训练的密集连接卷积网络编码器(DenseNet)的使用。我们详细介绍了两种可以将多个3D图像作为输入的网络架构。这项工作的目的是确定一个通用的预训练网络是否可以用于非常具体的医疗应用,其中目标数据在空间维度的数量以及输入通道的数量上都不同。此外,为了规范这个迁移学习任务,我们只训练U-网架构的解码器部分。我们评估了所提出的方法在BRATS 2018分割挑战中的有效性,在该挑战中,我们在验证集上获得了0.79、0.90、0.85和95的骰子分数/增强肿瘤核心、整个肿瘤和肿瘤核心分别为2.9mm、3.95mm和6.48mm的Hausdorff距离。在测试集上,该评分降低至0.77、0.88、0.78和95/% Hausdorff距离(3.6 mm、5.72 mm和5.83 mm)。
2018-11-19 cs.CV
DenseNet approach to segmentation and classification of dermatoscopic skin lesions images
Tarbiat Modares University(塔比亚特莫达雷斯大学);Islamic Azad University Science and Research Branch(伊斯兰阿扎德大学科学与研究分校)
目前,癌症是世界上最重要的健康问题之一。由于癌症的早期发现和适当的治疗对患者的恢复和生存非常有效,因此图像处理作为一种诊断工具可以帮助医生在第一时间识别癌症进行诊断。皮肤病变诊断中最重要的步骤之一是自动检测皮肤图像的边界,因为接下来的步骤的准确性取决于它。如果这些细微之处被识别出来,它们会对疾病的诊断产生很大的影响。因此,有一个很好的机会来开发更准确的算法来分析这些图像。本文提出了一种改进的皮肤病变分割和分类方法,使用两种架构,用于图像分割的U-Net和用于图像分类的DenseNet 121,具有良好的准确性。我们在ISIC-2018数据集上测试了我们模型的分割架构,并在HAM 10000数据集上测试了分类。我们的研究结果表明,U-Net和DenseNet 121架构的组合提供了可接受的结果相比,以前的研究在皮肤镜图像分析。本研究中检查的另一种分类是癌性和非癌性样本。在该分类中,在DenseNet 121网络中检测到癌症和非癌症样本,准确率分别为79.49%和93.11%。
2021-10-09 cs.CV cs.LG eess.IV
Multimodal Densenet
Johns Hopkins University(约翰斯·霍普金斯大学);Beijing Institute of Technology(北京理工大学)
人类通过解释来自多个来源的复杂数据来做出准确的决策。特别是医学诊断,往往取决于人类对多模态信息的解释。为了使人工智能在自动化、客观和准确的诊断和预后方面取得进展,需要融合来自多种医学成像模态的信息的方法。然而,组合来自多个数据源的信息具有若干挑战,因为当前的深度学习架构缺乏从多模态信息中提取有用表示的能力,并且通常使用简单的级联来融合这些信息。在这项工作中,我们提出了Multimodal DenseNet,一种融合多模态数据的新架构。我们提出的架构不是专注于级联或早期和晚期融合,而是在几个层上融合信息,并在如何组合来自多个来源的信息方面给予模型灵活性。我们将这种架构应用于内窥镜检查中息肉表征和地标识别的挑战。来自白光图像的特征与来自窄带成像或深度图的特征融合。这项研究表明,多模态DenseNet优于单模态分类以及其他多模态融合技术的显着保证金在两个不同的数据集。
2018-11-18 cs.AI cs.CV cs.LG
A Dense CNN approach for skin lesion classification
CNR-ISASI(意大利国家研究委员会应用科学与智能系统研究所);University of Salento(萨兰托大学)
本文提出了一种基于DenseNet架构的Deep CNN,结合高度区分的学习方法,对七种皮肤病变进行分类:黑色素瘤、黑色素细胞痣、基底细胞癌、光化性角化病/ Bowen病、良性角化病、皮肤纤维瘤、血管病变。特别是在IMAGENET数据集上预训练的61层DenseNet,已经在ISIC 2018任务3挑战数据集上进行了微调,利用中心损失函数。
2018-07-26 cs.CV
Evaluating Deep Learning Models for African Wildlife Image Classification: From DenseNet to Vision Transformers
Arewa Data Science Academy(阿雷瓦数据科学学院);Azman University(阿兹曼大学);Towson University(托森大学);Imperial College London(伦敦帝国学院)
本文针对非洲野生动物图像分类任务对比多种深度学习模型,发现ViT-H/14准确率最高但成本高,DenseNet-201为最优轻量CNN并已实现野外部署,为保护领域模型选择提供参考。
2025-07-28 cs.AI cs.CV
Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification
Department of Computer Science and Engineering, School of Data and Sciences, BRAC University(计算机科学与工程系,数据与科学学院,BRAC大学);Computing for Sustainability and Social Good (C2SG) Research Group, Department of Computer Science and Engineering, United International University(可持续性与社会公益(C2SG)研究组,计算机科学与工程系,联合国际大学)
本文提出结合权重剪枝与知识蒸馏的双步压缩方法,并引入Involution混合DenseNet,在显著降低计算资源的同时实现植物病害高效分类,验证了其在资源受限设备上的部署可行性。
2025-05-31 cs.CV
DGCNet: An Efficient 3D-Densenet based on Dynamic Group Convolution for Hyperspectral Remote Sensing Image Classification
Suning(苏宁)
针对高光谱分类中空间光谱信息利用不足及深层模型过拟合等问题,本文提出融合动态分组卷积的轻量级DGCNet,在IN、Pavia和KSC上提升了速度与精度。
2023-07-13 cs.CV
Sample Dropout for Audio Scene Classification Using Multi-Scale Dense Connected Convolutional Neural Network
National University of Defense Technology(国防科技大学)
声场景分类是一个复杂的机器问题。深度卷积神经网络(CNN)作为一个新兴的研究领域,取得了令人信服的结果。在本文中,我们探索使用多尺度密集连接卷积神经网络(DenseNet)的分类任务,其目标是提高分类性能的多尺度特征可以从音频信号的时频表示中提取。另一方面,大多数先前的基于CNN的音频场景分类方法旨在通过采用不同的正则化技术(例如隐藏单元的丢弃和数据增强)来减少过拟合,从而提高分类精度。众所周知,训练集中的离群值对训练后的模型有很大的负面影响,剔除离群值可以提高分类性能,但在以往的研究中往往没有得到充分的探索。本文受语音信号处理中静音去除的启发,提出了一种新的样本丢弃方法,旨在去除训练数据集中的离群点。使用DCASE 2017音频场景分类数据集,实验结果表明,提出的多尺度DenseNet比传统的单尺度DenseNet具有更好的性能,而样本丢弃方法可以进一步提高多尺度DenseNet的分类鲁棒性。
2018-06-12 cs.CV
Hierarchical Recurrent Filtering for Fully Convolutional DenseNets
Bosch Center for Artificial Intelligence(博世人工智能中心);University of Bonn(波恩大学)
生成环境的鲁棒表示是学习代理的关键能力。基于深度学习的方法极大地改善了感知系统,但在具有挑战性的情况下仍然失败。这些故障通常不能基于单个图像来解决。在这项工作中,我们提出了一个参数有效的时间滤波的概念,扩展了现有的单帧分割模型,多帧工作。由此产生的经常性架构在时间上过滤表示的所有抽象层次的分层方式,同时解耦时间依赖场景表示。使用合成数据集,我们展示了我们的模型应对数据扰动的能力,并强调了递归和分层过滤的重要性。
2018-10-15 cs.CV cs.LG
Densely Connected Convolutional Networks
Cornell University(康奈尔大学);Tsinghua University(清华大学);Facebook AI Research(脸书人工智能研究院)
最近的工作表明,如果卷积网络在靠近输入的层和靠近输出的层之间包含更短的连接,那么它们可以更深入,更准确,更有效地进行训练。在本文中,我们接受了这一观察,并介绍了密集卷积网络(DenseNet),它以前馈方式将每一层连接到其他每一层。传统的卷积网络有L层,每层和后续层之间有一个连接,而我们的网络有L(L+1)/2个直接连接。对于每个层,所有先前层的特征图被用作输入,并且其自身的特征图被用作所有后续层的输入。DenseNets有几个令人信服的优势:它们缓解了消失梯度问题,加强了特征传播,鼓励特征重用,并大大减少了参数的数量。我们在四个高度竞争的对象识别基准任务(CIFAR-10,CIFAR-100,SVHN和ImageNet)上评估了我们提出的架构。DenseNets在大多数最先进的技术上获得了显着的改进,同时需要更少的计算来实现高性能。代码和预训练模型可在https://github.com/liuzhuang13/DenseNet上获得。
2018-01-28 cs.CV cs.LG
Integrating Deep Feature Extraction and Hybrid ResNet-DenseNet Model for Multi-Class Abnormality Detection in Endoscopic Images
Shiv Nadar University(希瓦纳德大学);National Institute of Technology Delhi(德里国家理工学院)
提出融合 DenseNet 与 ResNet 的深度学习框架,对视频胶囊内镜帧进行十类胃肠道异常自动分类,在数据集上达到 94% 准确率。
2024-10-24 cs.CV cs.LG
Dense Cross-Connected Ensemble Convolutional Neural Networks for Enhanced Model Robustness
University of South Dakota(南达科他大学);Auburn University(奥本大学);Murray State University(默里州立大学)
针对卷积神经网络易受输入变化和对抗攻击影响的问题,提出融合 DenseNet 密集连接、路径交叉连接与集成学习的 DCC-ECNN,以增强特征共享并提升模型鲁棒性。
2024-12-09 cs.AI cs.CV
Custom Deep Neural Network for 3D Covid Chest CT-scan Classification
Ho Chi Minh University of Science(胡志明市科学大学)
基于胸部的三维CT扫描是目前研究者争论的热点之一。通过CT扫描图像诊断疾病有许多任务,包括Covid 19。在本文中,我们提出了一种自定义并结合深度神经网络来分类3D CT扫描胸部图像的方法。在我们的方法中,我们使用DenseNet 121和ResNet 101两个主干进行实验。在这个提案中,我们将实验分为两个任务,一个是ResNet和DenseNet的两个骨干组合,一个是DenseNet骨干组合。
2021-07-03 cs.CV eess.IV
Densely connected multidilated convolutional networks for dense prediction tasks
Sony Corporation(索尼公司)
涉及高分辨率密集预测的任务需要在大输入字段中对局部和全局模式进行建模。虽然局部和全局结构通常相互依赖,并且它们的同时建模很重要,但许多基于卷积神经网络(CNN)的方法仅在不同分辨率下交换表示几次。在本文中,我们声称的重要性,密集的同时建模的多分辨率表示,并提出了一种新的CNN架构称为密集连接的多扩张DenseNet(D3Net)。D3Net涉及一种新型的多重扩张卷积,它在单层中具有不同的扩张因子,可以同时对不同的分辨率进行建模。通过将多重扩张卷积与DenseNet架构相结合,D3Net将多分辨率学习与几乎所有层的指数增长感受野相结合,同时避免了我们天真地将扩张卷积纳入DenseNet时出现的混叠问题。在Cityscapes的图像语义分割任务和MUSDB18的音频声源分离任务上的实验表明,该方法具有优于现有方法的性能。
2021-06-09 cs.CV cs.LG
DRU-net: An Efficient Deep Convolutional Neural Network for Medical Image Segmentation
University of Nottingham(诺丁汉大学)
残差网络(ResNet)和密集连接网络(DenseNet)显著提高了深度卷积神经网络(DCNN)的训练效率和性能,主要用于对象分类任务。在本文中,我们提出了一个有效的网络架构,考虑到这两个网络的优点。该方法被集成到一个编码器-解码器DCNN模型的医学图像分割。与ResNet相比,我们的方法增加了额外的跳过连接,但使用的模型参数比DenseNet少得多。我们在皮肤病变分割的公共数据集(ISIC 2018大挑战)和局部脑MRI数据集上评估了所提出的方法。在相同的编码器-解码器网络结构中,与基于ResNet的,基于DenseNet的和基于注意力网络(AttnNet)的方法相比,我们的方法以比DenseNet和AttnNet更少的模型参数实现了更高的分割精度。代码可以在GitHub上找到(GitHub链接:https://github.com/MinaJf/DRU-net)。
2020-04-28 cs.CV eess.IV
ParaNet - Using Dense Blocks for Early Inference
Cornell University(康奈尔大学)
在最近的卷积网络架构中,DenseNets已被证明是一个有竞争力的模型。这些网络利用密集块,这是一组密集连接的层,其中隐藏层的输出作为其后面每一层的输入。在本文中,我们的目标是改进DenseNet的某些方面,特别是在实用性方面。我们介绍了ParaNet,一个新的架构,构建三个管道,允许早期推理。我们还引入了一个级联机制,使不同的管道能够共享参数,以及管道的输出之间的logit匹配。我们分别评估每一个新引入的机制ParaNet,然后评估我们提出的架构CIFAR-100。
2018-08-24 cs.CV
ThreshNet: An Efficient DenseNet Using Threshold Mechanism to Reduce Connections
Tamkang University(淡江大学);National Cheng Kung University(国立成功大学)
ThreshNet通过阈值机制优化连接方法,提升推理速度并减少参数量,适用于移动设备。
2022-08-07 cs.CV
Classification of Nasopharyngeal Cases using DenseNet Deep Learning Architecture
Multimedia University(多媒体大学);Sarawak General Hospital(砂拉越中央医院);Universiti Kebangsaan Malaysia(马来西亚国立大学);International Medical University(国际医药大学)
本文首次利用21层DenseNet架构对鼻咽癌、鼻咽炎症和正常组织的全切片图像进行分类,在概念验证和真实场景测试中分别取得94.8%和67.0%的NPC分类准确率。
2024-04-04 cs.CV cs.LG eess.IV
Forward-Looking Sonar Patch Matching: Modern CNNs, Ensembling, and Uncertainty
Hochschule Bonn-Rhein-Sieg(波恩-莱茵-锡格应用技术大学);German Research Center for Artificial Intelligence(德国人工智能研究中心)
水下机器人的应用正在兴起,其中大多数都依赖于声纳进行水下视觉,但缺乏强大的感知能力限制了它们在这方面的任务。声纳感知中的一个重要问题是匹配图像块,这可以实现定位,变化检测和映射等其他技术。对于彩色图像中的这个问题有丰富的文献,但是对于声学图像,由于产生这些图像的物理原因,它是缺乏的。在本文中,我们改进了我们以前针对这个问题的结果(Valdenegro-Toro等人,2017),而不是手动建模特征,卷积神经网络(CNN)学习相似性函数并预测两个输入声纳图像是否相似。为了进一步改善声纳图像匹配问题,在海洋碎片数据集上评估了三种最先进的CNN架构,即DenseNet和VGG,具有连体或双通道架构和对比损失。为了确保每个网络的公平评估,执行彻底的超参数优化。我们发现,表现最好的模型是DenseNet双通道网络,AUC为0.955,VGG-Siamese的对比损失为0.949 AUC,DenseNet Siamese的AUC为0.921。通过集成表现最好的DenseNet双通道和DenseNet-Siamese模型,获得的总体最高预测准确度为0.978 AUC,比现有技术中的0.91 AUC有很大改善。
2021-08-02 cs.CV cs.RO
Exclusive Independent Probability Estimation using Deep 3D Fully Convolutional DenseNets: Application to IsoIntense Infant Brain MRI Segmentation
Harvard Medical School(哈佛医学院);Northeastern University(东北大学)
最新的快速准确的图像分割方法是建立在完全卷积的深度神经网络上的。在本文中,我们为DenseNets提出了新的深度学习策略,以改善分割强度值和特征存在细微差异的图像。我们的目标是在大约6个月大的婴儿脑部MRI上分割脑组织,其中发育中大脑的白质和灰质显示出相似的T1和T2弛豫时间,因此在T1和T2加权MRI扫描上似乎具有相似的强度值。因此,这个年龄段的脑组织分割非常具有挑战性。为此,我们提出了一个排他性的多标签训练策略,分割互斥的脑组织与相似性损失函数,自动平衡的基础上类患病率的训练。使用我们提出的训练策略的基础上相似性损失函数和补丁预测融合,我们减少了网络中的参数的数量,降低了训练过程的复杂性集中在较少的任务数量,同时减轻标签和补丁边界附近的不准确性之间的数据不平衡的影响。通过利用这些策略,我们能够执行快速图像分割(每个3D体积90秒),使用比许多最先进的网络具有更少参数的网络,克服了诸如3Dvs2D训练和大小补丁大小选择的问题,同时在等强度婴儿脑MRI的第一轮和第二轮提交中测试的所有方法中,根据官方挑战测试结果进行分段(iSeg)挑战。我们提出的策略通过平衡训练和降低其复杂性来改进训练过程,同时提供适用于任何大小输入图像的训练模型,并且比许多最先进的方法更快,更准确。
2018-12-10 cs.CV
MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller, Faster, and Better
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Cedars-Sinai Medical Center(西达赛奈医疗中心)
高分辨率(HR)磁共振成像(MRI)提供了详细的解剖信息,这对于临床应用中的诊断至关重要。然而,HR MRI通常以长扫描时间、小空间覆盖和低信噪比(SNR)为代价。最近的研究表明,使用深度卷积神经网络(CNN),可以通过单图像超分辨率(SISR)方法从低分辨率(LR)输入中恢复HR通用图像。此外,先前的工作已经表明,深度3D CNN可以通过使用学习的图像先验来生成高质量的SR MRI。然而,具有深层结构的3D CNN具有大量参数并且计算昂贵。本文提出了一种新的三维CNN结构,即多层密集连接的超分辨率网络(mDCSRN),它具有轻量、快速和精确的特点。我们还表明,通过生成对抗网络(GAN)引导的训练,mDCSRN-GAN提供了具有丰富纹理细节的吸引人的清晰SR图像,这些纹理细节与参考的HR图像高度可比。我们在包含1,113名受试者的大型公共数据集上进行的实验结果表明,这种新架构在恢复4倍分辨率降级图像的质量和速度方面优于其他流行的深度学习方法。
2020-03-06 cs.CV eess.IV
GDN: A Stacking Network Used for Skin Cancer Diagnosis
School of Artificial Intelligence and automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院);Biosystem Engineering, Zhejiang University(浙江大学生物系统工程学院);Computer Science Department, New York University(纽约大学计算机科学系);School of Remote Sensing and Information Engineering, Wuhan University(武汉大学遥感信息工程学院)
本文提出堆叠网络GDN,先并行训练GoogLeNet和DenseNet进行皮肤癌基础分类,再用逻辑回归融合二者输出,从而提升基底细胞癌和黑色素瘤的识别准确率。
2023-12-05 cs.CV
Single Image Super-resolution via Dense Blended Attention Generative Adversarial Network for Clinical Diagnosis
在训练阶段,更多的连接(例如DenseNet最后一层的通道级联)意味着占用更多的GPU内存和更低的GPU利用率,需要更多的训练时间。训练时间的增加也不利于SR算法的推广应用。这就是为什么我们放弃了DenseNet作为基本网络。但是,由于本文仅适用于医学图像,因此我们放弃了本文。请在arXiv:1911.03464查看我们应用于一般图像的最新工作。
2020-02-24 cs.CV eess.IV
HarDNet: A Low Memory Traffic Network
National Tsing Hua University(国立清华大学);University of Michigan(密歇根大学)
最先进的神经网络架构,如ResNet、MobileNet和DenseNet,在低MAC和小模型大小的对等体上实现了出色的准确性。然而,这些度量对于预测推断时间可能不准确。我们认为,访问中间特征图的内存流量可以是一个因素主导的推理延迟,特别是在这样的任务,如实时目标检测和高分辨率视频的语义分割。我们提出了一个谐波密集连接网络,以实现高效率的低MAC和内存流量。与FC-DenseNet-103、DenseNet-264、ResNet-50、ResNet-152和SSD-VGG相比,新网络的推理时间分别减少了35%、36%、30%、32%和45%。我们使用包括Nvidia profiler和ARM Scale-Sim在内的工具来测量内存流量,并验证推理延迟确实与内存流量消耗成正比,并且所提出的网络消耗低内存流量。我们的结论是,在为边缘的高分辨率应用设计神经网络架构时,应该考虑内存流量。
2019-09-03 cs.CV
Three-Dimensional Radiotherapy Dose Prediction on Head and Neck Cancer Patients with a Hierarchically Densely Connected U-net Deep Learning Architecture
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
头颈部(H&N)癌症患者的治疗计划过程被认为是最复杂的,由于大的目标体积,多个处方剂量水平,以及许多辐射敏感的关键结构附近的目标。该部位的治疗计划需要高水平的人类专业知识和大量的努力来制定个性化的高质量计划,需要长达一周的时间,这降低了肿瘤控制和患者生存的机会。为了解决这个问题,我们建议研究一种基于深度学习的剂量预测模型,分层密集连接U网,它基于两种非常流行的网络架构:U网和DenseNet。我们发现,这种新的架构是能够准确和有效地预测剂量分布,优于其他两个模型,标准U-网络和DenseNet,在均匀性,剂量一致性,剂量覆盖测试数据。对所有有风险的器官进行平均,我们提出的模型能够预测有风险的器官的最大剂量在6.3%以内,平均剂量在测试数据的处方剂量的5.1%以内。其他模型,标准U-net和DenseNet,表现较差,平均器官风险最大剂量预测误差分别为8.2%和9.3%,平均平均剂量预测误差分别为6.4%和6.8%。此外,我们提出的模型使用的可训练参数比标准U型网络少12倍,预测患者剂量的速度比DenseNet快4倍。
2019-02-04 cs.CV cs.LG physics.med-ph
Convolutional Networks with Dense Connectivity
Tsinghua University(清华大学);Cornell University(康奈尔大学);UC Berkeley(加州大学伯克利分校);Facebook AI Research(脸书人工智能研究院)
最近的工作表明,如果卷积网络在靠近输入的层和靠近输出的层之间包含更短的连接,那么它们可以更深入,更准确,更有效地进行训练。在本文中,我们接受了这一观察,并介绍了密集卷积网络(DenseNet),它以前馈方式将每一层连接到其他每一层。而传统的L层卷积网络有L个连接-每一层与其后续层之间有一个连接-我们的网络有L(L+1)/2个直接连接。对于每个层,所有先前层的特征图被用作输入,并且其自身的特征图被用作所有后续层的输入。DenseNets有几个令人信服的优势:它们缓解了消失梯度问题,鼓励特征重用,并大大提高了参数效率。我们在四个高度竞争的对象识别基准任务(CIFAR-10,CIFAR-100,SVHN和ImageNet)上评估了我们提出的架构。DenseNets在大多数最先进的技术上获得了显着的改进,同时需要更少的参数和计算来实现高性能。
2020-01-08 cs.CV cs.LG stat.ML
Dense xUnit Networks
Technion–Israel Institute of Technology(以色列理工学院)
在过去的几年里,深网架构不断发展,导致了广泛的计算机视觉任务的重大进步。然而,除了高精度之外,许多应用还需要低计算负载和有限的内存占用。到目前为止,效率通常通过在宏观层面上的架构选择(例如,使用跳过连接或修剪技术)或在各个层的层面上的修改(例如,使用深度卷积或通道混洗操作)来实现。有趣的是,很少有人关注激活函数在构建有效网络中的作用。最近,Kligvasser等人表明,在激活函数内结合空间连接,能够在任何给定的参数预算下显著提高图像复原任务的性能。然而,他们的xUnit模块的有效性只在简单的小模型上进行了测试,这并不是高级视觉任务中使用的模型的特征。在本文中,我们采用并改进了xUnit激活,展示了如何将其纳入DenseNet架构,并说明了其对分类和图像复原任务的高效性。虽然DenseNet架构一开始就非常高效,但我们的密集xUnit网络(DxNet)通常可以用更少的参数实现相同的性能。例如,在ImageNet上,我们的DxNet优于基于ReLU的DenseNet,其参数多出30%,并在此参数预算下实现了最先进的结果。此外,在去噪和超分辨率方面,DxNet显著改进了所有现有的轻量级解决方案,包括Kligvasser等人基于xUnit的网络。
2018-11-27 cs.CV
Comparative study of Deep Learning Models for Binary Classification on Combined Pulmonary Chest X-ray Dataset
University of Gloucestershire(格洛斯特郡大学);Northumbria University(诺森比亚大学)
本研究针对8种主流深度学习模型在整合深圳与蒙哥马利数据的肺部胸部X光数据集上的二分类性能开展受控对比,填补了同类模型同数据集相对性能的认知空白,得出MobileNet精确率最高的结论。
2023-10-03 cs.CV eess.IV
Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers
Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
基于深度全卷积神经网络(FCN)的体系结构在医学图像分割中显示出巨大的潜力。然而,这样的架构通常具有数百万个参数和不足的训练样本数量,导致过拟合和泛化能力差。在本文中,我们提出了一种新的高参数和内存效率的FCN为基础的架构,用于医学图像分析。我们提出了一种新的上采样路径,它结合了长跳跃和捷径连接,以克服FCN等架构中的特征图爆炸。为了同时处理多尺度和多视点的输入图像,我们建议结合Inception模块的并行结构。我们还提出了一种新的双重损失函数,其加权方案允许结合交叉熵和骰子损失的优点。我们已经在两个公开的数据集上验证了我们提出的网络架构,即:(i)自动心脏病诊断挑战(ACDC-2017),(ii)左心室分割挑战(LV-2011)。我们的方法在ACDC-2017挑战赛中获得了分割的第二名和自动心脏病诊断任务的第一名,准确率为100%。在LV-2011挑战中,我们的方法达到了0.74 Jaccard指数,这是迄今为止全自动算法中最高的结果。从分割,我们提取临床相关的心脏参数和手工制作的功能,反映了临床诊断分析,训练一个集成系统的心脏疾病分类。我们的方法将心脏分割和疾病诊断结合到一个完全自动化的框架中,该框架具有计算效率,因此有可能被纳入计算机辅助诊断(CAD)工具中用于临床应用。
2018-01-16 cs.CV
FSDNet-An efficient fire detection network for complex scenarios based on YOLOv3 and DenseNet
Nachang University(南昌大学)
本文提出FSDNet火灾检测网络,通过密集连接、空间金字塔池化、Mosaic数据增强和CIoU损失函数提升特征提取能力,并构建含11938张图像的MS-FS数据集,实验证明其检测性能优于主流方法。
2023-04-15 cs.AI cs.CV
Optimization Algorithm Inspired Deep Neural Network Structure Design
Peking University(北京大学)
近年来,深度神经网络一直是主导的机器学习方法之一。提出了几种新的网络结构,它们比传统的前馈神经网络结构具有更好的性能。代表性的包括ResNet中的跳跃连接结构和DenseNet中的密集连接结构。但是,对于神经网络的结构设计,仍然缺乏统一的指导。在本文中,我们提出的假设,神经网络结构设计可以启发优化算法和更快的优化算法可能会导致一个更好的神经网络结构。具体地说,我们证明了在前馈神经网络的传播与相同的线性变换在不同的层是等价的最小化使用梯度下降算法的功能。基于这一观察,我们用重球算法和Nesterov的加速梯度下降算法取代了梯度下降算法,它们更快,并启发我们设计新的更好的网络结构。ResNet和DenseNet可以被认为是我们框架的两个特例。在CIFAR-10,CIFAR-100和ImageNet上的数值实验验证了我们的优化算法在ResNet和DenseNet上的优势。
2018-10-03 cs.CV cs.LG
Gated Convolutional Networks with Hybrid Connectivity for Image Classification
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
我们提出了一种简单而有效的方法来减少DenseNet的冗余,方法是通过用我们的SMG模块替换原始瓶颈来大幅减少堆叠模块的数量,SMG模块由局部残差增强。此外,SMG模块配备了一个高效的两级流水线,其目标是需要集成所有先前输出的DenseNet类架构,即,通过分级卷积将输入的信息量大但冗余的特征逐渐挤压成沙漏形状,然后通过多核去卷积对其进行激励,其输出将是紧凑的并保持更多信息量的多尺度特征。我们通过引入流行的注意力模块来进一步开发忘记门和更新门,以实现重用和新功能之间的有效融合,而不是简单的添加。由于混合连接(全局密集和局部残差的嵌套组合)和门控机制,我们将我们的网络称为HCGNet。在CIFAR和ImageNet数据集上的实验结果表明,HCGNet比DenseNet更高效,并且在复杂性较低的情况下也可以显著优于最先进的网络。此外,HCGNet还分别通过网络解剖和对抗性防御显示出显著的可解释性和鲁棒性。在MS-COCO上,HCGNet可以持续学习比流行主干更好的功能。
2019-11-28 cs.CV
Dual Path Networks
National University of Singapore(新加坡国立大学);Beijing Institute of Technology(北京理工大学);National University of Defense Technology(国防科技大学);Qihoo 360 AI Institute(奇虎360人工智能研究院)
在这项工作中,我们提出了一个简单的,高效的和模块化的双路径网络(DPN)的图像分类,提出了一种新的拓扑结构的内部连接路径。通过揭示HORNN框架中最先进的残差网络(ResNet)和密集卷积网络(DenseNet)的等价性,我们发现ResNet可以实现特征重用,而DenseNet可以实现新特征探索,这对于学习良好的表示都很重要。为了享受这两种路径拓扑的好处,我们提出的双路径网络共享共同的功能,同时保持灵活性,通过双路径架构探索新的功能。在三个基准数据集ImagNet-1 k,Places 365和PASCAL VOC上进行的大量实验清楚地表明了所提出的DPN优于最先进的性能。特别是,在ImagNet-1 k数据集上,浅DPN超过了最好的ResNeXt-101(64 x4 d),模型大小减少了26%,计算成本减少了25%,内存消耗减少了8%,而更深的DPN(DPN-131)进一步推动了最先进的单模型性能,训练速度提高了约2倍。在Places 365大规模场景数据集、PASCAL VOC检测数据集和PASCAL VOC分割数据集上的实验也证明了其在各种应用中始终优于DenseNet、ResNet和最新的ResNeXt模型。
2017-08-01 cs.CV
Colored Kimia Path24 Dataset: Configurations and Benchmarks with Deep Embeddings
University of Waterloo(滑铁卢大学)
Kimia Path 24数据集已被引入作为数字病理学的分类和检索数据集。虽然它提供了多类数据,但在提取斑块的过程中,颜色信息被忽略了。染色信息在组织模式识别中起着重要作用。为了解决这个缺点,我们通过从所有24次扫描中重新创建样本补丁来引入彩色版本的Kimia Path 24,以提出Kimia Path 24 C。我们进行了大量的实验,以确定选定的补丁的最佳配置。为了提供为新数据集设置基准的初步结果,我们使用VGG 16,InceptionV 3和DenseNet-121模型作为特征提取器。然后,我们使用这些特征向量检索测试补丁。使用DenseNet的图像检索准确率为95.92%,而使用InceptionV 3和VGG 16的最高准确率分别达到92.45%和92%。我们还对“深度条形码”进行了实验,并确定了在准确性方面的小损失(例如,对于DenseNet的二进制化特征,搜索效率为93.43%,而使用特征本身时为95.92%),搜索操作可以显著加速。
2021-02-15 cs.CV eess.IV
Dermatologist Level Dermoscopy Skin Cancer Classification Using Different Deep Learning Convolutional Neural Networks Algorithms
Shiraz branch, Islamic Azad University(伊斯兰阿扎德大学设拉子分校);Legal Medicine Research Center, Iranian Legal Medicine Organization(伊朗法医组织法医学研究中心)
本文研究了卷积神经网络在8种皮肤病分类中的有效性和性能。使用不同的预训练的最先进的架构(DenseNet 201,ResNet 152,Inception v3,InceptionResNet v2),并应用于总共10135张皮肤镜皮肤图像(HAM 10000:10015,PH 2:120)。所使用的数据集包括8个诊断类别-黑色素瘤、黑色素细胞痣、基底细胞癌、良性角化病、光化性角化病和上皮内癌、皮肤纤维瘤、血管病变和非典型痣。目的是将深度学习的能力与训练有素的皮肤科医生的表现进行比较。总体而言,平均结果显示,所有深度学习模型的表现都优于皮肤科医生(至少11%)。黑色素瘤和基底细胞癌的最佳ROC AUC值分别为94.40%(ResNet 152)和99.30%(DenseNet 201),而皮肤科医生分别为82.26%和88.82%。此外,DenseNet 201具有总体分类的最高宏观和微观平均AUC值(分别为98.16%,98.79%)。
2018-10-21 cs.CV cs.LG stat.ML
Knowledge Distillation with Feature Maps for Image Classification
National Tsing Hua University(国立清华大学)
简化复杂深度学习架构的计算成本和延迟的模型简化问题由于其在模型部署中的重要性而受到越来越多的研究。一种很有前途的方法是知识蒸馏(KD),它创建了一个快速执行的学生模型来模仿一个大型的教师网络。在本文中,我们提出了一种方法,称为KDFM(知识蒸馏与特征地图),它提高了KD的有效性,从教师网络学习的特征地图。KDFM中使用的两种主要技术是共享分类器和生成对抗网络。实验结果表明,KDFM可以使用四层CNN来模仿DenseNet-40,并使用MobileNet来模仿DenseNet-100。与CIFAR-100数据集的教师模型相比,两个学生网络的准确性损失都不到1%。学生网络的推理速度比教师模型快2-6倍,MobileNet的模型大小不到DenseNet-100的一半。
2018-12-03 cs.AI cs.CV cs.LG
Machine learning and machine learned prediction in chest X-ray images
Department of Chemistry, Physics and Materials Science, Fayetteville State University(化学、物理与材料科学系,费耶特维尔州立大学);Department of Mathematical and Statistical Sciences, University of Nebraska Omaha(数学与统计学系,内布拉斯加大学奥马哈分校);Jack Britt High School(杰克·布里特高中)
本文通过基线CNN和DenseNet-121对5824张胸部X射线图像进行分析,展示机器学习在预测患病患者中的应用与效果。
2025-07-31 cs.AI cs.CV cs.LG
Improving Medical Waste Classification with Hybrid Capsule Networks
Tilburg University(蒂尔堡大学)
本文提出将胶囊网络与预训练 DenseNet 结合用于医疗废物分类,并在更大规模、多样化图像数据集上验证,解冻层混合模型将 F1 从 0.89 提升至 0.92。
2025-03-13 cs.CV cs.LG