Buchumschlag

Detecção da Psoríase Utilizando Visão Computacional: Uma Abordagem Comparativa Entre CNNs e Vision Transformers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lucena, Natanael, da Silva, Fábio S., Rios, Ricardo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Optimal Trade-offs in Knowledge Distillation for CNNs and Vision Transformers at the Edge
von: Violos, John, et al.
Veröffentlicht: (2024)

Automated Image Captioning with CNNs and Transformers
von: Cahyono, Joshua Adrian, et al.
Veröffentlicht: (2024)

VORTEX: Challenging CNNs at Texture Recognition by using Vision Transformers with Orderless and Randomized Token Encodings
von: Scabini, Leonardo, et al.
Veröffentlicht: (2025)

Multi-Head Explainer: A General Framework to Improve Explainability in CNNs and Transformers
von: Sun, Bohang, et al.
Veröffentlicht: (2025)

When CNNs Outperform Transformers and Mambas: Revisiting Deep Architectures for Dental Caries Segmentation
von: Ghimire, Aashish, et al.
Veröffentlicht: (2025)

Transforming Precision: A Comparative Analysis of Vision Transformers, CNNs, and Traditional ML for Knee Osteoarthritis Severity Diagnosis
von: Apon, Tasnim Sakib, et al.
Veröffentlicht: (2024)

Does Bigger Mean Better? Comparitive Analysis of CNNs and Biomedical Vision Language Modles in Medical Diagnosis
von: Tong, Ran, et al.
Veröffentlicht: (2025)

Pose Matters: Evaluating Vision Transformers and CNNs for Human Action Recognition on Small COCO Subsets
von: Tang, MingZe, et al.
Veröffentlicht: (2025)

From Ground to Air: Noise Robustness in Vision Transformers and CNNs for Event-Based Vehicle Classification with Potential UAV Applications
von: Almesafri, Nouf, et al.
Veröffentlicht: (2025)

TraNCE: Transformative Non-linear Concept Explainer for CNNs
von: Akpudo, Ugochukwu Ejike, et al.
Veröffentlicht: (2025)

Less is More: The Influence of Pruning on the Explainability of CNNs
von: Merkle, Florian, et al.
Veröffentlicht: (2023)

Evaluating the Impact of Compression Techniques on the Robustness of CNNs under Natural Corruptions
von: Da Silva, Itallo Patrick Castro Alves, et al.
Veröffentlicht: (2025)

Pruning By Explaining Revisited: Optimizing Attribution Methods to Prune CNNs and Transformers
von: Hatefi, Sayed Mohammad Vakilzadeh, et al.
Veröffentlicht: (2024)

When Does Multimodal AI Help? Diagnostic Complementarity of Vision-Language Models and CNNs for Spectrum Management in Satellite-Terrestrial Networks
von: Li, Yuanhang
Veröffentlicht: (2026)

Do Transformers Understand Ancient Roman Coin Motifs Better than CNNs?
von: Reid, David, et al.
Veröffentlicht: (2026)

Integrative CAM: Adaptive Layer Fusion for Comprehensive Interpretation of CNNs
von: Singh, Aniket K., et al.
Veröffentlicht: (2024)

Enhancing CNNs robustness to occlusions with bioinspired filters for border completion
von: Coutinho, Catarina P., et al.
Veröffentlicht: (2025)

A Deep Learning Application for Psoriasis Detection
von: Milani, Anna, et al.
Veröffentlicht: (2025)

RNNs, CNNs and Transformers in Human Action Recognition: A Survey and a Hybrid Model
von: Alomar, Khaled, et al.
Veröffentlicht: (2024)

Reliable or Deceptive? Investigating Gated Features for Smooth Visual Explanations in CNNs
von: Mitra, Soham, et al.
Veröffentlicht: (2024)

Promoting Shape Bias in CNNs: Frequency-Based and Contrastive Regularization for Corruption Robustness
von: Ranabhat, Robin Narsingh, et al.
Veröffentlicht: (2025)

Benchmarking Unlearning for Vision Transformers
von: Zhao, Kairan, et al.
Veröffentlicht: (2026)

Vision Bridge Transformer at Scale
von: Tan, Zhenxiong, et al.
Veröffentlicht: (2025)

Efficient Hyperparameter Importance Assessment for CNNs
von: Wang, Ruinan, et al.
Veröffentlicht: (2024)

Vehicle Classification under Extreme Imbalance: A Comparative Study of Ensemble Learning and CNNs
von: Syarubany, Abu Hanif Muhammad
Veröffentlicht: (2025)

The Effective Depth Paradox: Evaluating the Relationship between Architectural Topology and Trainability in Deep CNNs
von: Fischer, Manfred M., et al.
Veröffentlicht: (2026)

Top-GAP: Integrating Size Priors in CNNs for more Interpretability, Robustness, and Bias Mitigation
von: Nieradzik, Lars, et al.
Veröffentlicht: (2024)

Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification
von: Saddami, Khairun, et al.
Veröffentlicht: (2024)

From Pixels to Explanations: Interpretable Diabetic Retinopathy Grading with CNN-Transformer Ensembles, Visual Explainability and Vision-Language Models
von: Khokhar, Pir Bakhsh, et al.
Veröffentlicht: (2026)

General vs Domain-Specific CNNs: Understanding Pretraining Effects on Brain MRI Tumor Classification
von: Abedini, Helia, et al.
Veröffentlicht: (2025)

The Linear Attention Resurrection in Vision Transformer
von: Zheng, Chuanyang
Veröffentlicht: (2025)

Weierstrass Positional Encoding for Vision Transformers
von: Xin, Zhihang, et al.
Veröffentlicht: (2026)

Sensitive Image Classification by Vision Transformers
von: He, Hanxian, et al.
Veröffentlicht: (2024)

Spiking Vision Transformer with Saccadic Attention
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

CNNs Avoid Curse of Dimensionality by Learning on Patches
von: Madala, Vamshi C., et al.
Veröffentlicht: (2022)

Explaning with trees: interpreting CNNs using hierarchies
von: Rodrigues, Caroline Mazini, et al.
Veröffentlicht: (2024)

Efficient Adaptation of Pre-trained Vision Transformer via Householder Transformation
von: Dong, Wei, et al.
Veröffentlicht: (2024)

Federated Learning for Video Violence Detection: Complementary Roles of Lightweight CNNs and Vision-Language Models for Energy-Efficient Use
von: Thuau, Sébastien, et al.
Veröffentlicht: (2025)

Beyond CNNs: Efficient Fine-Tuning of Multi-Modal LLMs for Object Detection on Low-Data Regimes
von: Elamon, Nirmal, et al.
Veröffentlicht: (2025)

Investigating Calibration and Corruption Robustness of Post-hoc Pruned Perception CNNs: An Image Classification Benchmark Study
von: Mitra, Pallavi, et al.
Veröffentlicht: (2024)