5561 Arbeiten
Die vorgestellte SGMA-Methode adressiert die Herausforderungen der semantischen Segmentierung mit unvollständigen multimodalen Fernerkundungsdaten durch semantisch geführte Fusion und modality-bewusstes Sampling, um Modaldiskrepanzen auszugleichen und die Leistung insbesondere bei fragilen Modalitäten zu verbessern.
Diese Studie zeigt, dass ein Graph Attention Network-Ensemble, das auf funktionell abgeleiteten Hirnparzellierungen (MSDL) statt auf anatomischen Atlanten basiert, die Klassifizierung von Autismus-Spektrum-Störungen mittels Ruhe-fMRT-Daten mit einer Genauigkeit von 95 % deutlich verbessert und dabei neuropathologisch relevante Hirnregionen identifiziert.
Das Paper stellt NeighborMAE vor, einen Masked Autoencoder, der durch die gemeinsame Rekonstruktion benachbarter Erdbeobachtungsbilder und eine dynamische Anpassung der Maskierungsparameter räumliche Abhängigkeiten nutzt, um die Selbstüberwachungsvorverarbeitung für Erdbeobachtungsdaten signifikant zu verbessern.
Die Arbeit stellt EIMC vor, einen effizienten multi-modalen kollaborativen Wahrnehmungsansatz für autonomes Fahren, der durch eine frühe Kollaboration mit leichten Voxeln und einem instanzbasierten Konsensprotokoll die Bandbreitennutzung drastisch reduziert und gleichzeitig die Genauigkeit bei der Erkennung verdeckter Objekte verbessert.
Diese Arbeit liefert eine umfassende informationstheoretische Analyse der Focal-Entropie als Pendant zum Focal-Loss, indem sie deren mathematische Eigenschaften untersucht, die Existenz und Struktur des Minimierers beweist und aufzeigt, wie der Focal-Loss bei Klassenungleichgewichten mittlere Wahrscheinlichkeiten verstärkt und extreme Wahrscheinlichkeiten unterdrückt.
Die Studie stellt ForestPersons vor, einen groß angelegten Datensatz mit über 96.000 Bildern und detaillierten Annotationen aus Unter-Dach-Perspektiven, der entwickelt wurde, um die Erkennung vermisster Personen in dichten Wäldern für Such- und Rettungseinsätze zu verbessern, wo herkömmliche Luftaufnahmen oft versagen.
Die Arbeit stellt vor, dass diskriminative Klassifikatoren für das Verständnis geschlossener Aktionen effizienter und genauer sind als generative Ansätze, und schlägt mit dem GAD-Klassifikator eine hybride Methode vor, die während des Fine-Tunings generative Modellierung nutzt, um die Genauigkeit zu steigern und gleichzeitig die Inferenzgeschwindigkeit zu erhöhen.
SemGS ist ein feed-forward Framework, das aus wenigen Ansichten generalisierbare semantische 3D-Szenen rekonstruiert, indem es eine Dual-Branch-Architektur mit einer kamera-bewussten Aufmerksamkeitsmechanik kombiniert, um sowohl geometrische Konsistenz als auch semantische Kohärenz für eine schnelle und skalierbare Szenenverständnis zu gewährleisten.
Diese Arbeit stellt einen kollisionsfreien dualarmigen chirurgischen Assistenzroboter vor, der mithilfe eines Vision-Language-Modells und einer Echtzeit-Hindernisvermeidung chirurgische Instrumente autonom und sicher anweist, um die Belastung des OP-Personals zu reduzieren.
Die vorgestellte Arbeit führt Generalizable Knowledge Distillation (GKD) ein, ein mehrstufiges Framework, das durch die Entkopplung von Repräsentations- und Aufgabenlernen sowie einen query-basierten weichen Distillationsmechanismus die Generalisierungsfähigkeit von Vision Foundation Models bei der semantischen Segmentierung über Domänengrenzen hinweg signifikant verbessert.
Das Paper stellt VC-STaR vor, ein neuartiges Selbstverbesserungs-Framework für Vision-Language-Modelle, das durch die Nutzung kontrastiver Bildpaare Halluzinationen in den Schlussfolgerungen reduziert und so mit dem daraus generierten VisCoR-55K-Datensatz die visuelle Reasoning-Fähigkeit von Modellen signifikant verbessert.
Das Paper stellt CAPT vor, einen Prompt-Tuning-Ansatz, der durch die explizite Modellierung und Nutzung von Verwechlungsmustern zwischen ähnlichen Kategorien die Fehlklassifizierungen in Vision-Language-Modellen wie CLIP signifikant reduziert und deren Diskriminierungsfähigkeit verbessert.
Die Arbeit stellt CAWM-Mamba vor, ein einheitliches End-to-End-Modell, das erstmals die Bildfusion und die Wiederherstellung von Bildern unter komplexen, kombinierten Wetterbedingungen (wie Nebel, Regen und Schnee gleichzeitig) erfolgreich vereint und dabei durch innovative Module wie WAPM, CFIM und WSSB den aktuellen Stand der Technik in verschiedenen Szenarien und nachgelagerten Aufgaben übertrifft.
Das Paper stellt SOLAR vor, ein Empfehlungssystem-Framework, das durch die Einführung von SVD-Attention die quadratische Komplexität der Transformer-Aufmerksamkeit auf lineare Komplexität reduziert, während die Softmax-Funktion erhalten bleibt, und ermöglicht so die effiziente Verarbeitung extrem langer Verhaltenssequenzen, was in der Online-Empfehlung von Kuaishou zu messbaren Verbesserungen der Videoaufrufe führt.
Die Autoren stellen ATD vor, eine neuartige Transformer-Architektur für die Bildwiederherstellung, die durch einen adaptiven Token-Wörterbuch und einen Cross-Attention-Mechanismus globale Abhängigkeiten mit linearer Komplexität modelliert und dabei sowohl den Rechenaufwand reduziert als auch den State-of-the-Art in verschiedenen Aufgaben wie Super-Resolution und Entrauschung erreicht.
Das Paper stellt NEMF vor, ein neuartiges Framework, das durch die Entkopplung von Geometrie und Umgebungsfeld unter Nutzung nicht-invasiver Daten die präzise Rekonstruktion physikalischer Materialeigenschaften ermöglicht und so funktionsfähige, simulierbare digitale Zwillinge schafft.
Diese Studie zeigt, dass die Kombination aus zufälliger Affintransformation und Farbverzerrung die Generalisierungsfähigkeit eines leichten Vision-Transformers für die Klassifizierung bengalischer Handschrift auf den Datensätzen Ekush und AIBangla mit Genauigkeiten von bis zu 97,57 % signifikant verbessert und so das Problem begrenzter Trainingsdaten für ressourcenarme Sprachen adressiert.
Die Studie stellt „Synthetic-Child" vor, eine AIGC-basierte Pipeline, die mithilfe von 3D-Modellen und Generativer KI vollständig synthetische, datenschutzkonforme Trainingsdaten für die Kind-Haltungsschätzung erzeugt und damit ein präzises, quantisiertes Echtzeit-Modell für Edge-Geräte ermöglicht, ohne auf echte Kinderfotos zurückzugreifen.
Die Arbeit stellt VLMFusionOcc3D vor, ein robuster multimodaler Rahmen für die 3D-Semantische-Belegungs-Vorhersage im autonomen Fahren, der durch die Integration von Vision-Language-Modellen, instanzgestützter Aufmerksamkeit und wetteradaptiver Fusion semantische Mehrdeutigkeiten auflöst und die Leistung unter widrigen Wetterbedingungen verbessert.
Die Arbeit stellt DrPose vor, einen Algorithmus zur direkten Belohnungsbasierten Feinabstimmung von Multi-View-Diffusionsmodellen, der mithilfe des neuen DrPose15K-Datensatzes und einer differenzierbaren PoseScore-Belohnung realistische 3D-Menschenrekonstruktionen aus einzelnen Bildern auch bei dynamischen und herausfordernden Posen ermöglicht, ohne teure 3D-Assets zu benötigen.