12446 ورقة بحثية
تقترح هذه الورقة البحثية نموذج ALC-YOLOv8s، وهو نموذج YOLOv8s مُحسّن يدمج SPPF-LSK، وCFC-CRB، وSFC-G2، وATFLoss لمعالجة تحديات مثل الأهداف الكثيفة والانسدادات في مشاهد الفصول الدراسية، محققاً مكاسب كبيرة في الأداء في مجال التعرف على سلوك الطلاب.
يُعد YOSE إطار عمل فعال للضبط الدقيق لنموذج DiT المخصص لإزالة الكائنات من الفيديو، حيث يعمل على تسريع الاستدلال عبر الاختيار التكيفي للرموز الأساسية بواسطة الفهرسة المتغيرة الطول بنظام الدفعات (Batch Variable-length Indexing) ومحاكاة المناطق غير المحجوبة باستخدام محاكي عملية الانتشار (Diffusion Process Simulator)، محققاً تسريعاً يصل إلى 2.5 ضعف مع الحفاظ على الجودة البصرية.
تقترح هذه الورقة البحثية شبكة الارتباط الطيفي الممثلة (RSCNet)، وهي إطار عمل مبتكر يدمج بفعالية بين بيانات الاستشعار عن بعد الفائقة الطيفية، ورادار الفتحة الاصطناعية (SAR)، والليدار (LiDAR) لتصنيف غطاء الأرض، وذلك عبر توظيف وحدة اختيار النطاق الرئيسي لتقليل الحشو الطيفي، ووحدة دمج تكيفي متعددة المصادر لتعزيز التفاعل بين الميزات غير المتجانسة، محققةً بذلك أداءً فائقاً بتعقيد حسابي أقل من الأساليب المتطورة الحالية.
تقترح الورقة البحثية شبكة الانتباه الديناميكي الطيفي (SDANet)، وهي إطار عمل للتعلم العميق يحقق أداءً فائقاً في دقة تصوير الصور فائقة الطيف من خلال دمج وحدة انتباه القنوات الديناميكية المتفرقة لتثبيط الحشو الطيفي وشبكة تغذية أمامية معززة بالتردد لتحسين النمذجة غير الخطية.
تقترح هذه الورقة إطار عمل تكراريًا لا يتطلب تدريبًا، يستفيد من النماذج اللغوية الكبيرة لتحسين تعريفات الفئات بشكل تدريجي بناءً على إشارات التصنيف الخاطئ، مما يؤدي إلى تحسين أداء تصنيف محتوى الويب بنمط "التعلم الصفري" بشكل كبير عبر مختلف نماذج التضمين دون تحديث معاملات النموذج.
تُعد EdgeFM إطار عمل استدلال خفيف الوزن ومدفوع بالوكلاء، يعمل على تحسين نماذج الرؤية واللغة للنشر في الحواف الصناعية عبر المنصات المختلفة من خلال إزالة الميزات غير الضرورية واستخدام نوى منخفضة المستوى مُولدة بواسطة الذكاء الاصطناعي لتحقيق أداء وقابلية نقل متفوقة مقارنة بسلاسل الأدوات المملوكة.
تقترح الورقة البحثية إطار عمل FMCL، وهو إطار لتجميع العملاء القائم على الوعي بالفئات بلمحة واحدة، والذي يستفيد من تمثيلات النماذج التأسيسية المجمدة لبناء تواقيع دلالية للعملاء، مما يؤدي إلى تحسين أداء واستقرار التعلم الاتحادي في ظل عدم التجانس الإحصائي دون الحاجة إلى تنسيق تكراري أو عبء اتصالات إضافي.
تُثبت هذه الورقة أن تكييف التعلم الخاضع للإشراف الذاتي من أجل التعرف على النباتات يتطلب استبدال عمليات تعزيز الصور القياسية بتحويلات خاصة بالمجال واستخدام مجموعات بيانات متمحورة حول النباتات مثل iNaturalist 2021 Plantae، مما يؤدي إلى نماذج تتفوق على النماذج المرجعية الخاضعة للإشراف في سيناريوهات التعلم من أمثلة قليلة.
تقدم الورقة البحثية SECOS، وهو نهج مبتكر للتعلم شبه المُشرف في العالم المفتوح يستفيد من المعرفة الخارجية لاستخراج ومحاذاة التمثيلات الدلالية، مما يمكّن النماذج من التنبؤ مباشرة بالتسميات النصية ذات الصلة دلالياً لكل من الفئات المعروفة والمستحدثة دون الحاجة إلى معالجة لاحقة، متفوقاً بذلك على الأساليب الحالية.
تقدم هذه الورقة طريقة تجميع ضبابي مستنيرة فيزيائياً باستخدام خوارزمية توقع-تعظيم ومعيار معلومات بايزي معدل لتحديد العدد الأمثل للمسارات تلقائياً وفصل مخططات الأيونوجرامات السبرية الرأسية، حتى في ظل الظروف الأيونوسفيرية المضطربة، وذلك من خلال دمج الترشيح التكيفي للضوضاء وإزالة النمط الاستثنائي.