3900 articles
Cet article propose un cadre mathématique sans entraînement qui sélectionne le modèle d'apprentissage automatique optimal pour la prévision des flux de trésorerie des PME en faisant correspondre les attributs du jeu de données et l'expertise de l'utilisateur aux capacités algorithmiques, éliminant ainsi la nécessité de cycles d'entraînement de modèles exhaustifs.
Cet article propose une méthode robuste de détection de la peau utilisant un U-Net à deux flux qui intègre les informations de couleur et de texture via un mécanisme d'attention hiérarchique, démontrant une précision et une efficacité améliorées à travers des conditions difficiles et plusieurs ensembles de données.
Cette étude propose un cadre amélioré combinant YOLOv8n-SDSC et DeepSORT, intégré à un système de rayons X, afin d'améliorer l'efficacité et la précision de la détection et du suivi des noix pour le tri industriel en incorporant Sea_Attention, Dysample, C2f_SCConv et un appariement basé sur DIoU.
Cet article présente SOA-UNet, un cadre d'apprentissage profond léger qui combine l'encodage de caractéristiques éparses, une guidance d'attention basée sur la méthode d'Otsu et une perte de frontière adaptative pour parvenir à une segmentation de tumeurs cérébrales précise, rapide et interprétable à partir d'images IRM.
Cet article propose un cadre d'apprentissage automatique bimodal qui intègre des caractéristiques textuelles (TF-IDF) et audio (MFCC) pour détecter la dépression, atteignant une précision élevée (jusqu'à 99,38 % avec XGBoost sur les données audio) et démontrant le potentiel de l'apprentissage multimodal pour des diagnostics de santé mentale non invasifs et évolutifs.
Cet article propose WMS-Net, un réseau synergique Wavelet-Mamba qui exploite des transformées en ondelettes de Haar multi-niveaux, un module orienté par la direction basé sur Mamba et un mécanisme d'interaction d'attention inter-tâches pour traiter efficacement le bruit et l'enchevêtrement des caractéristiques, atteignant ainsi l'état de l'art en segmentation sémantique et estimation de la hauteur conjointes à partir d'images de télédétection RGB uniques.
Cet article propose un modèle de détection de tumeurs cérébrales léger et de haute précision qui combine des techniques de super-résolution avec une architecture Transformer artificielle dotée de mécanismes d'attention par canal et par pixel, atteignant une précision de 99,16 % sur un ensemble de données de 7 023 images IRM tout en surpassant les modèles d'apprentissage profond de pointe.
Cet article introduit l'algorithme DEDA-AFCQ, une nouvelle méthode d'amélioration de la détection de contours qui utilise des coefficients de fonctions analytiques au sein d'un cadre de q-Calcul pour générer huit masques de convolution directionnels, démontrant une fidélité structurelle et des performances supérieures aux techniques existantes telles que les méthodes basées sur CSKP et Mittag–Leffler sur des ensembles de données standards.
Cet article propose PaletteGAN, un cadre de GAN guidé par une palette qui améliore la préservation structurelle et le contrôle de la couleur dans la colorisation de croquis de mode en intégrant une augmentation de données préservant la luminosité, une construction de palette de six couleurs optimisée de manière perceptuelle, et une architecture générateur-discriminateur spécialisée, atteignant une performance supérieure en termes de réalisme visuel et de cohérence de conception sur le Cleaned Maryland Dataset.
Cet article propose l'Opérateur de Graphe de Résilience Causale (CRGO), un système dynamique unifié qui intègre l'apprentissage automatique causal à l'apprentissage sur graphes pour modéliser simultanément l'évolution, la propagation des chocs et la résilience contrefactuelle des réseaux d'investissements transfrontaliers mondiaux, permettant ainsi des prévisions rigoureuses et un audit de la résilience systémique.