首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    马赛克变高清,谷歌将SR3、CDM相结合,推出超分辨率新方法

    机器之心报道 机器之心编辑部 谷歌的研究者用两种有关联的方法提升了扩散模型的图像合成质量。 自然图像合成作为一类机器学习 (ML) 任务,具有广泛的应用,也带来了许多设计挑战。例如图像超分辨率,需要训练模型将低分辨率图像转换为高分辨率图像。从修复老照片到改进医学成像系统,超分辨率有着非常重要的作用。 另一个图像合成任务是类条件图像生成,该任务训练模型以从输入类标签生成样本图像。生成的样本图像可用于提高下游模型的图像分类、分割等性能。 通常,这些图像合成任务由深度生成模型执行,例如 GAN、VAE 和自回归模

    01

    孙逊/张凌Sci Adv:介孔二氧化硅纳米颗粒的孔径调节其抗原递送效率

    亚单位疫苗通常通过4步体内级联反应(DUMP级联)产生有效的细胞介导的免疫反应:(1)引流至淋巴结;(2)树突状细胞(DC)的摄取;(3)DC的成熟度;(4)将肽-MHC I复合物呈递给CD8 + T细胞。尚不清楚疫苗载体如介孔二氧化硅纳米粒子(MSN)的物理性质如何影响这种级联反应。四川大学华西药学院孙逊和高分子科学与工程学院张凌合作制造了具有不同孔径(7.8 nm,10.3 nm和12.9 nm)的80 nm MSN,并在其中装载了卵清蛋白抗原。结果表明,具有不同孔径的这些MSN在DUMP级联的前三个步骤中同样有效,但是具有较大孔径的MSN则具有更高的交叉呈递效率(步骤4)。载有B16F10肿瘤抗原的大孔MSN产生最强的抗肿瘤作用。这些结果证明了靶向淋巴结的大孔MSN有望成为免疫激活和癌症疫苗接种的载体。

    01

    目标检测 | 丰富特征导向Refinement Network用于目标检测(附github源码)

    研究者提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题。没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征。进一步引入了一种级联的优化(精炼)方案,该方案首先将多尺度的上下文特征注入到一阶段检测器的预测层中,以增强其进行多尺度检测的判别能力。其次,级联精炼方案通过细化anchors和丰富的特征以改善分类和回归来解决类不平衡问题。对于MS COCO测试上的320×320输入,新的检测器在单尺度推理的情况下以33.2的COCO AP达到了最先进的一阶段检测精度,操作是在一个Titan XP GPU上以21毫秒运行的 。对于MS COCO测试上的512×512输入,与最佳的单阶段结果相比,就COCO AP而言,新方法获得了一个明显的增加(增加了1.6%)。

    03

    Transformer全靠数据堆?那没有数据怎么办?LUT告诉你「冇问题」|AAAI 2021

    ---- 新智元报道   作者:叶蓉 编辑:好困 【新智元导读】我们有一个梦想,那就是有一天看剧能有实时翻译字幕。然而级联模型复杂冗长,还容易出现传播错误,端到端模型又缺少标记数据去训练。于是全新的语音翻译模型LUT诞生了,不仅翻译速度快,而且就算听错也能翻译对。 你是否曾遇到这样的场景:在陌⽣的国家旅游因为听不懂当地⼈说话只能咿咿呀呀、⼿语⽐划、连蒙带猜? 因为不懂⼩语种,⼤热悬疑泰剧《禁忌⼥孩》、年度狗⾎韩剧《顶楼》只能煎熬到翌⽇字幕组的熟⾁放送? 每每遇此,我都会想,如果计算机能帮我们⾃动把语⾳

    03
    领券