2363 Arbeiten
Dieses Paper führt Cross-granularity Ranking Uncertainty (CRU) ein, ein leichtgewichtiges Framework, das die Retrieval-Unsicherheit direkt aus den Disagreements zwischen globalen und lokalen Matching-Verteilungen im Ranking-Raum schätzt, um die Fehlererkennung, Kalibrierung und selektive Prädiktion bei der Bild-Text-Retrieval zu verbessern, ohne mehrere Vorwärtsläufe zu erfordern.
Dieses Paper stellt LarvaFormer vor, ein neuartiges hybrides Deep-Learning-Framework, das CNNs und Vision Transformer mit spezialisierten Attention-Mechanismen kombiniert und eine SOTA-Genauigkeit (State-of-the-Art) bei der automatisierten Klassifizierung von Mückenlarven erreicht, um eine schnelle und ökologisch nachhaltige Krankheitsbekämpfung zu ermöglichen.
Dieses Paper schlägt ein leichtgewichtiges, hochpräzises Modell zur Oberflächenfehlererkennung von Metallstreifen vor, genannt YOLOv5s-SC2, welches architektonische Verbesserungen wie SAC und RepGFPN integriert, um eine mAP von 84,3 % auf dem NEU-DET-Datensatz zu erreichen, und LAMP-Pruning nutzt, um die Modellgröße sowie die Rechenkosten signifikant zu reduzieren, um eine effiziente Edge-Bereitstellung bei minimalem Genauigkeitsverlust zu ermöglichen.
PolicyFaultBench ist ein mutationsbasierter Benchmark, der werkzeugnutzende KI-Agenten validiert, indem er die Laufzeit-Policy-Mediation und die Konformität der Vorschlags-Schnittstelle rigoros testet und aufzeigt, dass Agenten zwar eine hohe Ausführungserfolgsrate erreichen können, aber dennoch aufgrund subtiler Schnittstellenabweichungen, die gezielte Sonden zur Erkennung erfordern, strengen Akzeptanzkriterien misslingen können.
Dieses Papier stellt YOLO11m-opt vor, ein optimiertes Objekterkennungsmodell, das durch die Integration spezialisierter architektonischer Erweiterungen und eines benutzerdefinierten Datensatzes eine hochpräzise Identifizierung von 36 parasitoiden Wespenarten aus kostengünstigen Mikroskopiebildern erreicht und somit eine automatisierte, expertenunabhängige taxonomische Analyse für landwirtschaftliche und ökologische Anwendungen ermöglicht.
Dieses Paper schlägt HRL-TSCH-ERC vor, eine auf hierarchischem bestärkendem Lernen basierende Scheduling-Methode, die Ressourcen dynamisch zuweist und Links in Karsthöhlen-Wireless-Mesh-Netzwerken plant, um die Paketzustellung, Zuverlässigkeit und Energieeffizienz für heterogene Notrettungsdienste im Vergleich zu bestehenden Algorithmen signifikant zu verbessern.
HierGait ist ein hierarchisches multimodales Gangerkennungs-Framework, das adaptive multiskalige zeitliche Verstärkung, strukturgeführte Ausrichtungsfusion und globale Kontextrekalibrierung integriert, um die Einschränkungen bei der feingliedrigen Bewegungserfassung, der kreuzmodalen Ausrichtung und der zeitlichen Modellierung zu überwinden und eine State-of-the-Art-Leistung auf dem CASIA-B-Datensatz zu erzielen.
EDD-3DGS ist ein durch Beleuchtung gesteuertes Tiefendistillations-Framework, das Rekonstruktionsfehler von 3D-Gaussian-Splatting bei schlechten Lichtverhältnissen überwindet, indem es die photometrische und Tiefen-Supervision dynamisch ausbalanciert, verrauschte Prioren filtert und monokulare Tiefenskalen ausrichtet, um schwebende Artefakte zu eliminieren und gleichzeitig die geometrische Treue zu bewahren.
Dieses Papier präsentiert ein durch Prioren beschränktes, leichtgewichtiges HRNet-Framework, das mittels Quantum-behaved Particle Swarm Optimization optimiert wurde und durch die Integration geometrischer Prioren, Modellkompression und adaptiver Hyperparameter-Optimierung eine hochpräzise, effiziente IHDI-Klassifizierung für die Hüftdysplasie zur klinischen Entscheidungsunterstützung erreicht.
Diese Studie schlägt ein auf Korpusgröße basierendes Framework zur beschränkten Optimierung vor, das latente Gleit-Eigenschaften und den Ausgrabungskontext nutzt, um die automatisierte Rekonstruktion fragmentierter Bambusstreifen signifikant zu verbessern und dabei herkömmliche paarweise Übereinstimmungsmethoden sowohl in der Genauigkeit als auch in der Fehlerminimierung zu übertreffen.