7524 Arbeiten
Der vorgestellte Ansatz GatedCLIP verbessert die Erkennung von Hass-Memes durch eine dynamische gated-Fusion von visuellen und textuellen Merkmalen sowie kontrastives Lernen, wodurch er im Vergleich zur CLIP-Basislinie auf dem Hateful Memes-Datensatz eine signifikant höhere AUROC von 0,66 bei nur 350.000 trainierbaren Parametern erreicht.
Diese Studie stellt FLIM-BoFP vor, eine effizientere und schnellere Methode zur Filterabschätzung in FLIM-Netzwerken für die saliente Objekterkennung, die durch eine einmalige Clusterbildung am Eingangsblock die Rechenkosten senkt und sich als besonders wirksam für die Parasitendetektion in optischen Mikroskopiebildern erweist.
Die vorgestellte Arbeit stellt einen hybriden Rahmen vor, der ein lernbares U-Net zur Generierung von Führungskarten mit einem klassischen Laplace-Pyramiden-Fusionskern kombiniert, um durch effizientes Vollbild-Training in nur einer Minute eine state-of-the-art Leistung bei Null-Shot-Verallgemeinerung und hoher Datenfidelität zu erreichen.
Diese Studie untersucht die Erklärbarkeit von Vision-Language-Modellen wie CLIP im kunsthistorischen Kontext durch die Evaluierung von sieben XAI-Methoden und zeigt, dass deren Wirksamkeit von der konzeptuellen Stabilität und der Repräsentationsverfügbarkeit der untersuchten Kategorien abhängt.
Das Paper stellt DA-Cal vor, ein Framework für die unsupervisierte Domänenanpassung in der semantischen Segmentierung, das durch die Optimierung von weichen Pseudo-Labels und eine Meta-Temperatur-Netzwerk die Kalibrierung im Zielbereich verbessert und dabei die Zuverlässigkeit von Vorhersagen in sicherheitskritischen Anwendungen erhöht, ohne zusätzliche Inferenzkosten zu verursachen.
Das vorgestellte MUSE-Framework verbessert die Few-Shot-Klassifizierung von Ganzgewebeschnitten in der computergestützten Pathologie durch eine stochastische Mehransicht-Semantikverstärkung, die sowohl eine pro-Proben-feinkörnige semantische Verfeinerung als auch eine retrievalgestützte Integration vielfältiger LLM-generierter Beschreibungen nutzt, um die Generalisierungsfähigkeit unter extremen Datenknappheit zu steigern.
Die Arbeit stellt SpatiaLQA vor, einen Benchmark mit über 9.600 Fragen aus realen Innenszenen, der die Defizite aktueller Vision-Language-Modelle beim räumlich-logischen Reasoning aufzeigt und eine neue Methode zur rekursiven Zerlegung von Szenengraphen vorschlägt, um diese Fähigkeiten signifikant zu verbessern.
Die Arbeit stellt die semantisch geführte adaptive Expertenwald-Methode (SAEF) vor, die vortrainierte Modelle durch die strukturierte Hierarchisierung und Verschmelzung von Adaptern in konzeptionellen Clustern nutzt, um beim klasseninkrementellen Lernen ein State-of-the-Art-Ergebnis zu erzielen und dabei das Vergessen alter Klassen zu vermeiden.
Der Artikel stellt LongVideo-R1 vor, einen effizienten multimodalen Agenten, der durch aktives, schlussfolgerndes Navigieren in Videos mit geringem Rechenaufwand präzise Antworten auf komplexe Fragen liefert, ohne den gesamten Inhalt exhaustiv zu durchsuchen.
Das Paper stellt LST-SLAM vor, ein neuartiges stereo-thermisches SLAM-System, das durch selbstüberwachtes Feature-Learning, eine semantisch-geometrische Hybridbeschränkung zur Unterdrückung dynamischer Objekte und eine globale Pose-Optimierung eine robuste und präzise Kartierung in kilometergroßen, dynamischen Umgebungen unter schwierigen Licht- und Wetterbedingungen ermöglicht.
Die Arbeit stellt DropAnSH-GS vor, eine neuartige Methode zur Sparse-view Gaussian Splatting, die durch das gleichzeitige Entfernen von Anker-Gauss-Funktionen und deren Nachbarn sowie das gezielte Weglassen höherer sphärischer Harmonischer Koeffizienten Overfitting effektiv reduziert und die Robustheit sowie Komprimierbarkeit der Modelle verbessert.
Das Paper stellt UFO vor, ein neuartiges rekurrentes Verfahren, das die Vorteile von optimierungsbasierten und feed-forward-Methoden vereint, um dynamische Fahrzeugszenen über lange Sequenzen hinweg effizient und präzise zu rekonstruieren.
Die Autoren stellen eine neuartige, rechnerisch effiziente Kernel-Methode namens Wilson Score Kernel Density Classification vor, die zuverlässige Konfidenzschranken für binäre Klassifikatoren bereitstellt und dabei eine Leistung aufweist, die der von Gauß-Prozess-Klassifikatoren entspricht.
Diese Arbeit stellt mit TagLLM ein neues Framework vor, das Multimodale Large Language Models durch strukturierte Kandidatengenerierung und semantische Disambiguierung so optimiert, dass sie menschliche Bild-Annotationen kosteneffizient ersetzen und dabei die Leistung bei nachgelagerten Trainingsaufgaben auf über 90 % des menschlichen Niveaus bringen.
Die Studie stellt MS-RSuper vor, ein neuartiges, einseitiges und unsicherheitsbewusstes Lernverfahren, das multimodale MRT-Berichte mit hierarchischen Befunden und qualitativen Hinweisen nutzt, um die Segmentierung von Hirnläsionen und deren Substrukturen präziser zu gestalten als herkömmliche reportgestützte Methoden.
Die Arbeit stellt Le-DETR vor, einen hocheffizienten Echtzeit-Objektdetektor, der durch einen neuartigen Encoder und den Backbone EfficientNAT eine State-of-the-Art-Genauigkeit auf COCO bei deutlich reduzierten Vorab-Trainingskosten und hoher Inferenzgeschwindigkeit erreicht.
Die Arbeit stellt CHAIN vor, ein interaktives 3D-Testumfeld, das die Fähigkeit von Vision-Language-Modellen bewertet, physische Strukturen zu verstehen und kausale Handlungssequenzen zu planen, wobei die Ergebnisse zeigen, dass selbst fortschrittliche Modelle Schwierigkeiten haben, geometrische und physikalische Einschränkungen in zuverlässige, langfristige Handlungen umzusetzen.
MIP Candy ist ein modularer, auf PyTorch basierendes Open-Source-Framework für die medizinische Bildverarbeitung, das durch eine flexible Konfigurationsarchitektur und integrierte Werkzeuge für den gesamten Workflow von der Dateneingabe bis zur Evaluation eine effiziente und anpassbare Entwicklung ermöglicht.
Die Arbeit stellt CLIPGlasses vor, ein nachrüstbares Framework, das die Fähigkeit von CLIP, verneinte visuelle Beschreibungen zu verstehen, durch eine zweistufige Architektur verbessert, die semantische Entflechtung und kontextsensitive Abstoßung nutzt, um ohne Feinabstimmung die Generalisierungsfähigkeit zu steigern.
OmniOCR ist ein universelles OCR-Framework, das durch eine dynamische Low-Rank-Anpassung (Dynamic LoRA) und Sparsity-Regularisierung die Genauigkeit bei der Erkennung von ethnischen Minderheitenschriften wie Tibetisch, Shui, altem Yi und Dongba im Vergleich zu bestehenden Modellen um 39–66 % verbessert und dabei eine hohe Parameter-effizienz gewährleistet.