5561 Arbeiten
MERG3R ist ein trainingsfreies, modellunabhängiges Divide-and-Conquer-Framework, das neuronale geometrische Grundmodelle durch eine intelligente Bildpartitionierung und globale Ausrichtung in die Lage versetzt, große, unsortierte Bildsammlungen jenseits der GPU-Speichergrenzen effizient und präzise zu rekonstruieren.
Diese Arbeit untersucht die Leistungsverschlechterung bestehender Video-Moment-Retrieval-Methoden bei der Verwendung von Suchanfragen statt Bildunterschriften, identifiziert sprachliche und mehrfache-Moment-Lücken sowie einen Decoder-Query-Kollaps als Hauptursachen und schlägt architektonische Modifikationen vor, die die Generalisierungsfähigkeit signifikant verbessern.
Die vorgestellte Studie entwickelt einen transparenten, patientenspezifischen Ansatz zur Auswahl komplementärer Radiomik-Feature-Sets für Knie-MRTs, der durch eine zweistufige Retrieval-Strategie die diagnostische Genauigkeit von Top-k-Methoden übertrifft und mit Deep-Learning-Modellen konkurriert, während sie gleichzeitig klinisch nachvollziehbare Erklärungen liefert.
Die Arbeit stellt „Cultural Counterfactuals" vor, einen synthetischen Datensatz mit nahezu 60.000 bearbeiteten Bildern, der es ermöglicht, kulturelle Verzerrungen (z. B. in Bezug auf Religion, Nationalität oder sozioökonomischen Status) in Large Vision-Language Models präzise zu messen, indem dieselben Personen in verschiedenen kulturellen Kontexten dargestellt werden.
Die Autoren stellen ein differenzierbares volumetrisches Körpermodell vor, das auf einer neuen kinematischen Baum-basierten Log-Euclidean-PolyRigid-Transformation (KTPolyRigid) beruht, um anatomisch konsistente Deformationen für die Analyse von fetalen MRT-Daten zu ermöglichen und dabei Faltungsartefakte zu reduzieren.
Diese Arbeit identifiziert und adressiert die „Integrity Clash"-Schwachstelle, bei der ein digitales Bild gleichzeitig eine gültige C2PA-Manifest-Erklärung über menschliche Urheberschaft und einen AI-Wasserzeichen-Code trägt, indem sie einen Metadaten-Waschprozess demonstriert und ein neues, 100 % genaues Cross-Layer-Audit-Protokoll zur gemeinsamen Verifizierung beider Schichten vorschlägt.
Dieser Artikel stellt ein Tutorial für die PyTorch-basierte Bibliothek TorchGeo vor, das anhand eines Fallbeispiels zur semantischen Segmentierung von Gewässern mittels Sentinel-2-Bildern demonstriert, wie sich erdbeobachtungsbezogene Machine-Learning-Pipelines effizient implementieren lassen.
Das Paper stellt OpenMarcie vor, den bisher größten multimodalen Datensatz für die menschliche Aktivitätserkennung in industriellen Umgebungen, der über 37 Stunden Daten von 36 Teilnehmern bei Montageaufgaben aus verschiedenen Sensormodalitäten umfasst und als Benchmark für Klassifizierung, Bildunterschriften und multimodale Ausrichtung dient.
Die Arbeit stellt QuADD vor, ein einheitliches Framework für die Datensatz-Distillation, das durch die gemeinsame Optimierung von Stichprobenanzahl und Quantisierungsgenauigkeit unter festen Bit-Budgets eine effizientere Informationsdarstellung als bestehende Methoden ermöglicht.
Das Paper stellt TruckDrive vor, einen umfassenden Multimodal-Datensatz für das autonome Langstrecken-Fahren von Lastkraftwagen auf Autobahnen, der mit speziell entwickelten Sensoren bis zu 1.000 Meter Reichweite erfasst und zeigt, dass aktuelle autonome Fahrmodelle bei Entfernungen über 150 Meter signifikante Leistungseinbußen aufweisen.
Das MIRAGE-Framework verbessert die Vorhersage von Alzheimer-Krankheit in Kohorten ohne MRT-Daten, indem es Biomedizinische Wissensgraphen und Graph Attention Networks nutzt, um aus EHR-Daten anatomisch plausible latente Repräsentationen zu extrahieren und so die Notwendigkeit einer rechenintensiven 3D-Bildsynthese zu umgehen.
Das Paper stellt ORCA vor, ein neuartiges Multi-Agenten-Framework für das Dokumenten-Visual-Question-Answering, das durch strategische Koordination spezialisierter Agenten, iterative Verfeinerung und einen Debattierungsmechanismus komplexe Schlussfolgerungen verbessert und damit den aktuellen Stand der Technik übertrifft.
Diese Arbeit stellt einen auf Transfer Learning basierenden Ansatz vor, der vortrainierte Modelle für allgemeine Waldbrände nutzt, um die Erkennung von schwer detektierbaren Torfmoorbränden in Malaysia trotz begrenzter Daten und schwieriger Sichtbedingungen zu verbessern.
Die Arbeit stellt das groß angelegte, offene Datenset STW mit 42.313 Bildern und dem 10-stufigen MST-Schema vor, bewertet klassische und Deep-Learning-Ansätze zur Hauttönungsklassifizierung und führt mit dem feinabgestimmten ViT-Modell SkinToneNet einen neuen State-of-the-Art für faire Audits öffentlicher Datensätze ein.
Die Arbeit stellt E2E-GNet vor, ein end-to-end geometrisches Deep-Learning-Netzwerk, das durch eine geometrische Transformationsschicht und eine verzerrungsbewusste Optimierungsschicht die menschliche Bewegungserkennung auf Skelettdaten in nicht-euklidischen Räumen verbessert und dabei auf fünf Datensätzen überlegene Ergebnisse bei geringerem Rechenaufwand erzielt.
Die Arbeit stellt ModalPatch vor, ein plug-and-play-Modul, das durch die Nutzung historischer Sensordaten und einer unsicherheitsgesteuerten Fusionsstrategie die Robustheit und Genauigkeit von multimodalen 3D-Objektdetektoren bei temporären Sensorausfällen sicherstellt, ohne dass eine Neuarchitektur oder Nachschulung erforderlich ist.
Die Arbeit stellt MUSE vor, eine Open-Source-Plattform zur multimodalen Sicherheitsevaluierung von großen Sprachmodellen, die durch den Einsatz von Multi-Turn-Angriffen mit Modality-Switching und einer differenzierten Erfolgsmetrik aufzeigt, dass bestehende Sicherheitsausrichtungen oft nicht auf Audio-, Bild- und Videoeingaben verallgemeinern.
Diese Arbeit stellt zwei neue geometrische Strukturen auf dem Kegel symmetrisch positiv definiter Matrizen vor, die auf der James-Bikonen-Reparametrisierung basieren, Geodäten als Geraden in geeigneten Koordinatensystemen ermöglichen und neue Dissimilaritätsmaße sowie Ungleichungen zu etablierten Methoden bereitstellen.
Die Arbeit stellt WTHaar-Net vor, ein hybrides Quanten-Klassisches-Netzwerk, das die Hadamard-Transformation durch die räumlich lokalisierte Haar-Wavelet-Transformation ersetzt, um auf Quantenhardware implementierbare Modelle mit reduzierten Parametern und verbesserter Leistung auf Bilddatensätzen wie Tiny-ImageNet zu erreichen.
Diese Arbeit stellt ein biomechanisch interpretierbares, markenloses Framework vor, das durch 3D-Rekonstruktion aus Videodaten und Integration in OpenSim präzise Gangparameter liefert, die mit herkömmlichen Marker-basierten Messsystemen übereinstimmen.