7430 Arbeiten
Diese Studie adressiert die Herausforderungen bei der Zuverlässigkeit von visuellen Navigationssystemen im Weltraum durch die systematische Charakterisierung von Kamerafehlern und die Entwicklung eines Simulationsrahmens zur Generierung eines synthetischen Datensatzes für das Training von KI-basierten Fehlererkennungsalgorithmen.
Die Arbeit stellt NRSeg vor, ein rauschresistentes Lernframework für die semantische Segmentierung aus der Vogelperspektive (BEV), das durch die Nutzung synthetischer Daten aus Fahrweltmodellen sowie neuartige Komponenten wie eine Perspektiv-Geometrie-Konsistenzmetrik, eine parallele Vorhersage mit Bin-Verteilungen und ein hierarchisches lokales semantisches Ausschlussmodul die Leistung in unüberwachten und halbüberwachten Szenarien signifikant verbessert.
Diese Arbeit stellt SFATTI vor, einen auf dem Open-Source-Framework Spiker+ basierenden FPGA-Beschleuniger für Spiking Neural Networks, der durch die automatische Generierung von HDL-Code energieeffiziente und latenzarme Inferenz für die MNIST-Bilderkennung ermöglicht.
Diese Arbeit stellt das erste geschlossene Regelungs-System für den Schwebeflug von Quadrotoren in engen Rohren vor, das durch eine latenzarme, ereignisbasierte Rauchvelocimetrie und ein lernbasiertes Regler-Design in Echtzeit aerodynamische Störungen erfasst und kompensiert, um Kollisionen zu verhindern.
Der Artikel stellt FedGIN vor, ein Framework für das Federated Learning, das durch eine dynamische globale nichtlineare Intensitätsaugmentierung eine robuste und datenschutzkonforme Organsegmentierung über verschiedene Bildgebungsmodalitäten hinweg ermöglicht und dabei signifikante Verbesserungen der Genauigkeit gegenüber herkömmlichen Ansätzen erzielt.
Diese Arbeit stellt ein leichtgewichtiges Rauschunterdrückungs-Feature-Pyramid-Netzwerk (NS-FPN) vor, das durch die Integration von Modulen zur frequenzbasierten Feature-Reinigung und spiralförmigen Feature-Sampling die Leistung bei der Infrarot-Zielklein-Detektion und -Segmentierung verbessert und gleichzeitig die Fehlalarmrate senkt.
Die vorgestellte Arbeit führt mit SSD-Reg ein neuartiges, physikinformiertes Hybridframework ein, das Diffusionsmodelle als gelernte Regularisierung in ein variationsbasiertes Rekonstruktionsverfahren integriert, um die nichtlineare und schlecht gestellte inverse Aufgabe der Mikrowellentomographie ohne gepaarte Trainingsdaten präzise und robust zu lösen.
Das Paper stellt PaCo-FR vor, ein unüberwachtes Vor-Trainingsframework für Gesichtsrepräsentationen, das durch eine strukturierte Maskierungsstrategie, einen patchbasierten Codebook-Ansatz und räumliche Konsistenzbeschränkungen feine semantische Details und anatomische Strukturen erfasst, um bei begrenzten annotierten Daten state-of-the-art Ergebnisse zu erzielen.
Diese Arbeit stellt TS-Mamba vor, ein effizientes Online-Video-Super-Resolution-Verfahren, das Trajektorien-bewusste verschobene State-Space-Modelle nutzt, um durch langfristige zeitliche Modellierung und eine reduzierte Rechenkomplexität einen neuen State-of-the-Art zu erreichen.
Das Paper stellt MoSA vor, ein Modell zur Erzeugung menschlicher Videos, das durch die Entkopplung von Struktur- und Erscheinungsgenerierung sowie die Einführung spezifischer Kontrollmechanismen realistischere und strukturell kohärente Bewegungen im Vergleich zu bestehenden Ansätzen ermöglicht.
Die Studie stellt DeReF vor, ein multimodales Framework zur Vorhersage des Überlebens bei Krebs, das durch eine zufällige Merkmalsreorganisation und dynamische MoE-Fusion die Limitierungen bestehender Fusionsmethoden überwindet und auf mehreren Leberkrebs-Datensätzen überlegene Ergebnisse erzielt.
Dieses Paper stellt einen neuen Framework vor, der durch zufälliges Feature-Dropping und kontrastives Lernen robuste, heterogenitätsunabhängige Repräsentationen für die Herzfrequenzvorhersage erlernt und dabei auf dem neu eingeführten PARROTAO-Datensatz sowie dem FitRec-Datensatz signifikant bessere Ergebnisse als bestehende Methoden erzielt.
Dieses Paper stellt EHWGesture vor, ein multimodales Videodataset mit über 1.100 synchronisierten Aufnahmen von fünf klinischen Handgesten, das durch präzise Motion-Capture-Daten und Geschwindigkeitsklassen als umfassender Benchmark für die multimodale klinische Gestenanalyse dient.
Die Arbeit stellt PCPO (Proportionate Credit Policy Optimization) vor, ein Framework, das durch eine proportionale Kreditvergabe über die Zeitstufen hinweg die Trainingsinstabilität und den Modellkollaps bei der Ausrichtung von Text-zu-Bild-Modellen verhindert und damit eine schnellere Konvergenz sowie eine überlegene Bildqualität im Vergleich zu bestehenden Methoden wie DanceGRPO erreicht.
Die Arbeit stellt RobustVLA vor, ein Framework, das Vision-Language-Action-Modelle durch eine Kombination aus adversärem Training für die Ausgabe und konsistenter Aktionsgenerierung für die Eingabe sowie einem Multi-Armed-Bandit-Ansatz zur automatischen Identifizierung kritischer Störungen gegen eine Vielzahl multimodaler Perturbationen robust macht und dabei auf Benchmarks sowie realen Robotern signifikante Verbesserungen gegenüber bestehenden Modellen erzielt.
Die Arbeit stellt DeLTa vor, ein neuartiges Framework, das Tiefenschätzung, 6D-Pose-Schätzung und sprachgesteuerte Planung kombiniert, um transparente Objekte auf Basis einer einzigen Demonstration präzise und generalisierbar über lange Aufgabenfolgen hinweg zu manipulieren.
Die Arbeit stellt Spatial-DISE vor, ein einheitliches Benchmark und einen skalierbaren Datensatz, die auf einer kognitiven Taxonomie basieren, um die Lücke zwischen dem räumlichen Reasoning aktueller Vision-Language-Modelle und menschlicher Kompetenz, insbesondere bei intrinsisch-dynamischen Aufgaben, umfassend zu evaluieren.
Das Papier stellt UniGenBench++ vor, ein umfassendes, mehrsprachiges und fein abgestuftes Benchmark-System zur semantischen Evaluierung von Text-zu-Bild-Modellen, das bestehende Lücken in der Prompt-Vielfalt und der detaillierten Kriterienbewertung schließt.
Das Paper stellt egoEMOTION vor, den ersten Datensatz, der egozentrische visuelle und physiologische Signale mit detaillierten Selbstauskünften über Emotionen und Persönlichkeit verbindet, um neue Benchmarks für die affektbasierte Verhaltensmodellierung in realen Szenarien zu ermöglichen.
Diese Arbeit stellt einen neuartigen Rahmen vor, der durch die Integration von 3D-Akustikdaten aus einem Phasen-Mikrofonarray mit dynamischen RGB-D-Punktwolken eine räumlich-zeitliche multimodale Darstellung chirurgischer Szenen ermöglicht, um chirurgische Handlungen präzise zu lokalisieren und das Verständnis für intelligente Operationssysteme zu vertiefen.