Benchmarking Top Vision Language Models (VLMs) for Image Classification
探索诸如GPT-4O和QWEN2-VL-7B之类的顶级视觉语言模型（VLM）如何在图像分类中执行。
Image classification in machine learning: A full guide (2024) | Viam
了解机器学习（包括深度学习方法）中的图像分类的工作原理。了解与物体检测的区别、如何标记图像以及如何将模型部署到您的机器上。
Unlocking High-Accuracy Differentially Private Image Classification through Scale
根据先前研究的经验证据，DP-SGD 中的效用退化在较大的神经网络模型上变得更加严重——包括在具有挑战性的图像分类基准上经常用于实现最佳性能的模型。我们的工作调查了这一现象，并提出了一系列对训练程序和模型架构的简单修改，从而显着提高了标准图像分类基准上 DP 训练的准确性。
Image Classification on Small Datasets with Keras
使用很少的数据来训练图像分类模型是一种常见的情况，在本文中，我们回顾了解决此问题的三种技术，包括从预训练网络中提取特征和进行微调。
IEEE Transactions on Neural Networks and Learning Systems, Volume 36, Issue 3, March 2025
1）深度神经网络中有效融合的来宾社论特刊：Yanwei Pang，Fahad Shahbaz Khan，Xin lu，fabio cuzzolinpages：3886-3886-38892）的决策网络图像分类网络（S） Gu, Zhihong Tian, Wenping WangPages: 3890 - 39033) ResDNet: Efficient Dense Multi-Scale Representations With Residual Learning for High-Level Vision TasksAuthor(s): Yuanduo Hong, Huihui Pan,
AI could help detect fires earlier
巴西研究人员说，一种人工智能（AI）模仿了我们的大脑工作方式可以自动检测野火，他们说这可以大大减少减轻其影响所需的时间。该团队通过卫星成像技术和机器学习对AI进行了训练，以发现亚马逊雨林的图像，也没有野火。他们说，AI在发现测试中的烧伤方面取得了93％的成功率，并正确地将24张图像中的23张与未参加测试的野火以及所有16个没有野火的图像分类。
Learnings from a Machine Learning Engineer — Part 5: The Training
在我系列的第五部分中，我将概述创建一个用于培训图像分类模型，评估性能和准备部署的docker容器的步骤。 AI/ML工程师希望专注于模型培训和数据工程，但现实是，我们还需要了解基础架构和力学[…]从机器学习工程师那里进行的邮政学习 - 第5部分：培训首先出现在朝向数据科学。
Learnings from a Machine Learning Engineer — Part 4: The Model
在我系列的最新部分中，我将分享我在选择图像分类模型以及如何微调该模型时所学到的知识。我还将展示如何利用模型来加速您的标签过程，最后如何通过产生用法和性能来证明您的努力合理[…]从机器学习工程师那里进行的帖子学习 - 第4部分：该模型首先出现在朝向数据上。科学。
Learnings from a Machine Learning Engineer — Part 2: The Data Sets
在第1部分中，我们讨论了收集良好图像数据并为您的图像分类项目分配适当标签的重要性。另外，我们讨论了您数据的类和子类。这些似乎很简单，但是要对未来有一个扎实的理解很重要。因此，如果您还没有，请[…]从机器学习工程师那里进行的帖子学习 - 第2部分：数据集首先出现在数据科学上。
IEEE Transactions on Emerging Topics in Computational Intelligence Volume 9, Issue 1, February 2025
1) 深度学习的人机交互检测综述作者：Geng Han, Jiachen Zhao, Lele Zhang, Fang Deng页数：3 - 262) 探索神经网络元学习的前景：最新技术综述作者：Asit Barman, Swalpa Kumar Roy, Swagatam Das, Paramartha Dutta页数：27 - 423) 具有知识迁移的微多目标进化算法作者：Hu Peng, Zhongtian Luo, Tian Fang, Qingfu Zhang页数：43 - 564) MoAR-CNN：用于 SAR 图像分类的多目标对抗性鲁棒卷积神经网络作者：Hai-Nan We
6 Ways to Improve Your Predictive Models in Data Science
无论您想要构建完美的图像分类器、销售预测器还是价格估算器，这六个实用技巧和见解都将帮助您实现目标！
IEEE Transactions on Evolutionary Computation, Volume 28, Issue 6
1) 具有共享个体的多任务线性遗传规划及其在动态作业车间调度中的应用作者：Zhixing Huang, Yi Mei, Fangfang Zhang, Mengjie Zhang页数：1546 - 15602) 评估将进化与学习相结合以在复杂形态空间中设计机器人的框架作者：Wei Li, Edgar Buchanan, Léni K. Le Goff, Emma Hart, Matthew F. Hale, Bingsheng Wei, Matteo De Carlo, Mike Angus, Robert Woolley, Zhongxue Gan, Alan F. Winfield, Jo
7 Computer Vision Projects for All Levels
每个项目，从图像分类等初级任务到异常检测等高级任务，都包含指向数据集和源代码的链接，以便于访问和实施。
Why Scaling Works: Inductive Biases vs The Bitter Lesson
通过一个玩具问题构建深刻见解来源：所有图片均由作者提供在过去十年中，我们见证了扩展深度学习模型的力量。在大量数据上训练的大型模型在语言建模、图像生成、玩游戏甚至蛋白质折叠方面的表现始终优于以前的方法。要了解扩展为何有效，让我们看一个玩具问题。介绍一个玩具问题我们从一个 1D 流形开始，它穿过 2D 平面并形成一个螺旋：现在我们添加一个热图，它表示对特定 2D 点进行采样的概率密度。值得注意的是，这个概率密度与流形的形状无关：让我们假设流形两侧的数据始终完全可分离（即没有噪音）。流形外部的数据点为蓝色，内部的数据点为橙色。如果我们抽取 N=1000 个点的样本，它可能看起来像这样：玩具问题：我们
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Number 10, October 2024
1) 确定适合机器学习模型的知识产权保护机制：水印、指纹识别、模型访问和攻击的系统化作者：Isabell Lederer、Rudolf Mayer、Andreas Rauber页数：13082 - 131002) 面向可解释的情感计算：综述作者：Karina Cortiñas-Lorenzo、Gerard Lacey页数：13101 - 131213) 从多个角度回顾凸聚类：模型、优化、统计属性、应用和连接作者：Qiying Feng、C. L. Philip Chen、Licheng Liu页数：13122 - 131424) 高光谱图像去噪：从模型驱动、数据驱动到模型数据驱动作者：Qian
IEEE Transactions on Emerging Topics in Computational Intelligence, Volume 8, Number 5, October 2024
1) 资源可持续计算和人工智能特邀编辑特刊作者：Joey Tianyi Zhou, Ivor W. Tsang, Yew Soon Ong页数：3196 - 31982) 具有社会参与的电网运输系统的协调网络安全增强作者：Pengfei Zhao, Shuangqi Li, Paul Jen-Hwa Hu, Zhidong Cao, Chenghong Gu, Da Xie, Daniel Dajun Zeng页数：3199 - 32133) 用于可持续压缩感知的轻量级循环学习网络作者：Yu Zhou, Yu Chen, Xiao Zhang, Pan Lai, Lei Huang, Jian
机器学习取得了重大进展，特别是通过深度学习技术。这些进步在很大程度上依赖于优化算法来训练各种任务的大规模模型，包括语言处理和图像分类。这个过程的核心是最小化复杂、非凸损失函数的挑战。优化算法，如随机梯度下降 (SGD) 及其帖子 Apple 的这篇 AI 论文介绍了 AdEMAMix：一种利用双指数移动平均线来提高梯度效率和提高大规模模型训练性能的新型优化方法首先出现在 AI Quantum Intelligence 上。
