AAAI 2025 即插即用模块
文章平均质量分 94
AI模块裁缝
公众号【AI模块裁缝】,获取更多干货和资料!
持续分享AI领域实用即插即用代码模块、高效缝合创新技巧、前沿论文解读与实战经验,涵盖计算机视觉、多模态学习等等前沿方向。
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
AAAI 即插即用 | 告别标准卷积!这个“风车”算子PConv,让你的YOLO模型在红外“鬼影”中精准索敌
本文提出了一种红外小目标检测的创新方法,通过风车形卷积(PConv)和基于尺度的动态损失(SDLoss)提升检测性能。PConv采用非对称卷积核模拟目标高斯分布特性,在少量参数增加下显著扩大感受野;SDLoss根据目标尺度动态调整位置与尺度损失的权重,有效缓解标签噪声影响。实验验证了方法在多个模型和数据集上的有效性,并构建了新的SIRST-UAVB基准数据集。该研究为红外小目标检测提供了高效且通用的解决方案。原创 2025-12-01 17:43:28 · 609 阅读 · 0 评论 -
AAAI 即插即用 | DRM:提升模型鲁棒性与特征质量的即插即用Transformer模块
摘要:本文提出A2RNet,一种针对红外与可见光图像融合(IVIF)任务的对抗攻击弹性网络。针对IVIF无监督特性,创新性地设计了包含伪标签和反攻击损失函数的对抗训练范式。网络采用U-Net骨干结构,嵌入基于Transformer的防御性精炼模块(DRM),通过鲁棒自注意力机制增强特征表示和抗噪能力。实验表明,该方法不仅能生成高质量融合图像,还能有效保持下游目标检测和语义分割任务的性能稳定性,为融合领域的对抗攻防研究提供了新思路。原创 2025-11-24 18:09:17 · 578 阅读 · 0 评论 -
AAAI 即插即用 | SCTNet让CNN白嫖Transformer语义能力,推理开销为零!
本文提出SCTNet新型实时语义分割架构,通过"训练双分支、推理单分支"的创新设计,在保持CNN高效推理的同时提升性能。关键创新包括:(1)设计CFBlock模块,用卷积操作模拟Transformer的全局特征提取能力;(2)提出SIAM对齐模块,通过特征和语义层级知识迁移,将Transformer分支的语义信息高效蒸馏到CNN分支。实验表明,该方法在Cityscapes等数据集上实现速度与精度的SOTA平衡,特别适用于自动驾驶等实时场景。推理阶段仅需轻量CNN单分支,显著降低部署成本。原创 2025-11-06 17:52:11 · 888 阅读 · 0 评论 -
AAAI 2025 | 即插即用,川大Mesorch刷新SOTA,用「介观」Transformer架构终结图像造假
本文提出Mesorch混合架构,创新性地结合CNN与Transformer并行处理图像篡改定位任务。通过离散余弦变换分离高低频信息,分别利用CNN捕捉微观痕迹和Transformer理解宏观语义,在多尺度上协同分析。核心创新包括自适应加权模块动态调整特征重要性,以及剪枝机制降低计算成本。实验表明,该架构在四个公开数据集上实现了SOTA性能,在F1分数、鲁棒性和计算效率方面均超越现有方法。该技术为数字媒体取证提供了高效解决方案,可应用于新闻真实性核查、司法鉴定等场景,同时其设计思想可迁移至其他密集预测任务。原创 2025-10-22 18:09:40 · 878 阅读 · 0 评论 -
AAAI 2025 | 即插即用,计算量砍掉80%!超轻量SparseViT刷新SOTA,重新定义Transformer图像取证
【摘要】本文提出SparseViT模型,通过稀疏自注意力机制实现非语义特征的自适应学习,用于图像篡改定位任务。核心创新包括:1)设计稀疏自注意力模块,将全局注意力分解为局部子块计算,抑制语义信息而专注篡改痕迹;2)分层多尺度稀疏策略,在不同层级采用递减的稀疏率提取特征;3)轻量级可学习预测头(LFF)实现自适应特征融合。实验表明,该方法在参数效率提升80%的同时达到SOTA性能,打破了传统依赖手工特征的限制。该模块可扩展至数字取证、AI生成内容检测等需关注非语义伪影的任务。原创 2025-10-16 17:41:35 · 629 阅读 · 0 评论 -
AAAI 2025 | 即插即用!AMD框架让你的旧模型学会“多尺度”思考,预测精度飙升
本文提出了一种自适应多尺度分解框架(AMD)用于时间序列预测,核心创新包括:1)通过多尺度分解混合模块(MDM)将时序数据分解为不同粒度的模式;2)采用双重依赖交互模块(DDI)平衡时序和通道依赖;3)设计自适应多预测器合成模块(AMS)动态加权主导模式。该方法基于纯MLP架构,在保持高效的同时显著优于Transformer模型。实验表明,该框架可提升基础模型在电力、交通等领域的预测性能,并增强模型可解释性。关键代码展示了DDI模块的实现,通过补丁处理和时间/通道混合有效建模时序依赖。原创 2025-10-14 17:13:26 · 1029 阅读 · 0 评论 -
AAAI 2025 | 即插即用,性能登顶!新一代医学分割模型ConDSeg已开源,一行代码搞定病灶识别
ConDSeg是一种新型医学图像分割框架,通过对比驱动特征增强技术提升分割性能。其核心创新包括:1)两阶段一致性强化训练策略,增强模型在弱光等恶劣条件下的鲁棒性;2)语义信息解耦模块,将特征分解为前景、背景和不确定区域;3)对比驱动特征聚合模块,利用解耦信息指导特征融合;4)尺寸感知解码器解决医学图像中的共生现象问题。实验表明,该方法在多个公开数据集上达到最优性能。该框架适用于内窥镜、皮肤镜等多种医学图像分割任务,能有效处理边界模糊和共生干扰问题。原创 2025-10-11 16:49:23 · 1120 阅读 · 0 评论 -
AAAI 2025 | 空洞卷积CBR模块,即插即用,涨点起飞!
本文提出MSA²Net,一种用于医学图像分割的多尺度自适应注意力引导网络。核心创新包括:1)多尺度自适应空间注意力门(MASAG),通过动态调整感受野增强相关特征并抑制背景;2)混合解码器架构,结合DAE-Former保留长程依赖和使用LKA处理高分辨率细节;3)创新的跳跃连接机制,实现编码器粗粒度特征与解码器细粒度特征的动态加权融合。该网络在医学图像分割任务中表现出色,能有效处理目标形态多样性,提升边界精度。MASAG模块可作为即插即用组件替代传统跳跃连接,显著提升分割性能。原创 2025-09-17 15:36:15 · 1012 阅读 · 0 评论 -
AAAI 2025 | 对比驱动的通用医学图像分割框架,即插即用,高效涨点!
ConDSeg是一个通用医学图像分割框架,通过对比驱动特征增强解决边界模糊和目标共现问题。核心创新包括:1)一致性强化训练策略增强编码器鲁棒性;2)语义信息解耦模块将特征分为前景/背景/不确定区域;3)对比驱动特征聚合模块利用对比信息指导特征融合;4)尺寸感知解码器处理不同大小目标。该框架在结肠息肉、腺体等多种医学图像分割任务中表现优异,显著提升边界精度和抗干扰能力。关键模块可即插即用,代码已开源。原创 2025-09-08 12:06:55 · 1133 阅读 · 0 评论
分享