7455 Arbeiten
Diese Studie zeigt, dass feinabgestimmte geospatiale Grundmodelle wie Prithvi-EO-2.0 und TerraMind bei ökologischen Anwendungen wie der Erfassung von Waldeigenschaften, Landnutzungskartierung und Torfmoosdetektion konsequent besser abschneiden als ein herkömmlicher ResNet-101-Baseline-Ansatz, wobei ihre Leistung jedoch von der genauen Ausrichtung der Trainingsdaten und der Eingabeauflösung abhängt.
Die Arbeit stellt DriveMamba vor, ein effizientes, aufgabenorientiertes End-to-End-System für autonomes Fahren, das mithilfe eines einheitlichen Mamba-Decoders mit linearer Komplexität dynamische Aufgabenbeziehungen modelliert und dabei die Skalierbarkeit und Genauigkeit bestehender Transformer-basierter Ansätze verbessert.
Das Paper stellt Sim2Radar vor, ein Framework, das mithilfe von Vision-Language-Modellen und physikbasierten Raytracing-Methoden aus einzelnen RGB-Bildern realistische mmWave-Radardaten synthetisiert, um das Sim2Real-Problem zu überwinden und die Leistung von 3D-Radar-Objektdetektoren durch Transfer-Learning signifikant zu verbessern.
Das Paper stellt HERO vor, ein neues Paradigma für die humanoide Loko-Manipulation, das durch die Kombination von Open-Vocabulary-Vision-Modellen für die visuelle Generalisierung und einer präzisen, residualbewussten Endeffektor-Steuerung mit simuliertem Training eine zuverlässige Interaktion mit alltäglichen Objekten in verschiedenen realen Umgebungen ermöglicht.
Diese Studie stellt die erste 10-Meter-Auflösung für Baumkulturen in Südamerika vor, die durch ein Deep-Learning-Modell erstellt wurde und zeigt, wie eine präzisere Unterscheidung zwischen Landwirtschaft und Wald bestehende Deforestationsrichtlinien wie die EUDR verbessern und kleine Landwirte vor ungerechtfertigten Sanktionen schützen kann.
Die Arbeit stellt EAGLE vor, ein abstimmungsfreies Framework, das Expertmodelle nutzt, um Multimodale Large Language Models (MLLMs) durch gezielte Aufmerksamkeitsführung zu präziserer und interpretierbarer industrieller Anomalieerkennung zu führen, ohne dass eine Parameteranpassung erforderlich ist.
Diese Arbeit stellt einen probabilistischen Random-Walk-Ansatz vor, der auf gyralen Faltungsmustern basierende, individuelle kortikale Ähnlichkeitsnetzwerke ohne explizite Knotenabstimmung analysiert, um Alzheimer und Lewy-Körper-Demenz robuster zu diagnostizieren als herkömmliche atlasbasierte oder faltungsbasierte Methoden.
Die Arbeit stellt MIRROR vor, ein Framework für multimodales iteratives Schlussfolgern, das durch einen geschlossenen Regelkreis aus Entwurf, Kritik und visuell fundierter Überprüfung sowie ein entsprechendes Trainingsdatenset (ReflectV) die Genauigkeit von Vision-Language-Modellen verbessert und Halluzinationen reduziert.
Die Studie stellt SymPL vor, ein Framework, das allocentrisches räumliches Reasoning in Vision-Language-Modellen durch die Umformulierung in symbolische Layouts verbessert und dabei Projektion, Abstraktion, Bipartition und Lokalisierung nutzt, um die Leistung sowohl bei allocentrischen als auch egozentrischen Aufgaben signifikant zu steigern.
Das Paper stellt TraceVision vor, ein vision-sprachliches Modell, das durch die Integration von Trajektorieninformationen und einen mehrstufigen Trainingsprozess menschliche visuelle Aufmerksamkeit simuliert, um räumliches Verständnis, Bildbeschreibungen und Segmentierung präziser und interpretierbarer zu gestalten.
Die Arbeit stellt einen Dual-Teacher-Distillationsrahmen vor, der durch die Kombination eines multispektralen Lehrers mit einem optischen Vision-Modell-Lehrer die semantische Struktur in multispektralen Erdbeobachtungsdaten verbessert und dabei sowohl bei optischen als auch multispektralen Aufgaben state-of-the-art Ergebnisse erzielt.
Die Arbeit stellt das Very Big Video Reasoning (VBVR)-Suite vor, eine umfassende Ressource mit über einer Million Videoclips und einem verifizierbaren Bewertungsrahmen, die die erste groß angelegte Skalierungsstudie für Video-Reasoning ermöglicht und frühe Anzeichen emergenter Generalisierung zeigt.
Mobile-O ist ein kompakter, einheitlicher multimodaler Vision-Language-Diffusions-Modell, das durch seinen effizienten Mobile Conditioning Projector (MCP) und eine neuartige Quadruplet-Post-Training-Methode erstmals eine leistungsstarke Echtzeit-Verständnis- und Generierungsfähigkeit auf mobilen Endgeräten ohne Cloud-Abhängigkeit ermöglicht.
Die Studie stellt das KI-System VISION-ICE vor, das mittels eines 3D-Convolutional-Neural-Networks intrakardiale Echokardiographie-Videos analysiert, um den Ursprung von Arrhythmien mit einer Genauigkeit von 66,2 % zu lokalisieren und so elektrophysiologische Eingriffe zu beschleunigen.
Die Arbeit stellt OptimusVLA vor, ein dual-memorisches Vision-Language-Action-Modell, das durch die Kombination globaler Prior-Wissen und lokaler Konsistenz die Robustheit und Inferenzgeschwindigkeit robotischer Manipulationsaufgaben signifikant verbessert.
Das Papier stellt UniLACT vor, ein transformer-basiertes Vision-Language-Action-Modell, das durch die Einführung des UniLARN-Rahmens für das tiefenbewusste Lernen einheitlicher latenter Aktionen aus RGB- und Tiefendaten die räumlichen Fähigkeiten von Robotern für präzise Manipulationsaufgaben verbessert.
Diese Arbeit stellt ein Framework vor, das mithilfe von Vision-Language-Modellen Diagramme aus Bildern rekonstruiert, designbezogene Fehler identifiziert und iterative, prinzipienbasierte Verbesserungsvorschläge für die Visualisierung erstellt.
N4MC ist ein neuartiges neuronales Framework zur effizienten Kompression von zeitlich variierenden Mesh-Sequenzen, das durch die Umwandlung in regelmäßige 4D-Tensoren, den Einsatz eines Auto-Decoders und ein transformer-basiertes Interpolationsmodell zeitliche Redundanzen ausnutzt und dabei den aktuellen Stand der Technik in Bezug auf die Rate-Distortion-Leistung übertrifft.
Das Paper stellt Inspectorch vor, ein Open-Source-Framework, das auf Flow-basierten Modellen zur Dichteschätzung beruht, um in großen solaren Beobachtungsdatensätzen effizient seltene und physikalisch bedeutsame Ereignisse zu identifizieren und so die Rechenressourcen gezielt auf diese Anomalien zu lenken.
Die vorgestellte Arbeit führt die Graph-Smooth Null-Space Representation (GSNR) ein, eine Methode, die durch die Beschränkung von Graph-Regularisierungen auf den Nullraum des Messoperators die Rekonstruktionsqualität bei inversen Bildproblemen signifikant verbessert.