929 Arbeiten
DeepGaitLab ist ein Open-Source-Framework für die markerefreie 3D-Bewegungserfassung, das auf synthetischen Daten trainiert wurde und eine hochpräzise, kalibrierungsfreie Ganganalyse über verschiedene Kamera-Konfigurationen und klinische Populationen hinweg ermöglicht, wodurch die Lücke zwischen forschungsorientierter Biomechanik und skalierbarer klinischer Anwendung effektiv geschlossen wird.
Dieses Paper schlägt MEFP-Net vor, einen multimodalen Erkennungsalgorithmus, der eine hierarchische Mittelphasenfusion und ein Dual-Path-Backbone nutzt, um Feature-Imbalancen und Lichtempfindlichkeit effektiv zu adressieren und dadurch die Detektion kleiner sowie verdeckter Objekte in komplexen urbanen Verkehrsszenarien signifikant zu verbessern.
Dieses Paper präsentiert eine umfassende experimentelle Evaluierung verschiedener Facebook AI Similarity Search (FAISS) Indexierungsstrategien, wobei deren Kompromisse zwischen Genauigkeit, Latenz und Speicherauslastung über verschiedene Distanzmetriken und Quantisierungstechniken hinweg analysiert werden, um praktische Leitlinien für groß angelegte Ähnlichkeitssuche-Bereitstellungen bereitzustellen.
Diese Arbeit schlägt ein prädiktives, adaptives Scheduling-Modell vor und evaluiert dieses, welches die Arbeitslastprognose mit Ceph-bewussten Speicherentscheidungen integriert, um Ressourcenkonflikte und I/O-Latenzen in einer Kubernetes–Ceph-hyperkonvergenten Infrastruktur auf Proxmox VE signifikant zu reduzieren und dabei eine überlegene Lastverteilung sowie Performance im Vergleich zum Standard-Kubernetes-Scheduler zu erreichen.
Dieses Papier schlägt ein Framework für föderiertes bestärkendes Lernen für mobile Edge-Netzwerke vor, das ein VAE-LSTM-Modell zur Vorhersage der Inhaltspopularität mit einem Multi-Agenten Deep Reinforcement Learning-Algorithmus kombiniert, um kooperative Caching-Entscheidungen zu optimieren und dadurch die Latenz im Vergleich zu bestehenden Baseline-Methoden signifikant zu reduzieren sowie die Cache-Trefferraten zu verbessern.
Dieses Paper schlägt DMPB-Net vor, ein neuartiges semi-überwachtes Framework, das einen Mamba-gesteuerten Encoder mit spezialisierten Modulen für semantische Entkopplung, Prototyp-Aufmerksamkeit und Grenzverfeinerung integriert, um eine führende Leistung bei der Segmentierung von Brustläsionen in Ultraschallbildern unter begrenzter Überwachung zu erreichen.
Dieses Paper schlägt ein robustes tri-modales Framework vor, das CNNs, Vision Transformer und Graph Neural Networks über einen adaptiven Gated-Fusion-Mechanismus integriert, um eine State-of-the-Art-Genauigkeit bei der Erkennung von Fälschungen (99,10 %) sowie Interpretierbarkeit auf Social-Media-Bildern zu erreichen.
Diese Studie schlägt ein fundiertes, dreiteiliges Entscheidungsframework für die Modellauswahl im datenarmen wissenschaftlichen maschinellen Lernen vor und zeigt anhand von Fallstudien zu Kinase-Inhibitoren und Löslichkeit auf, dass einfache lineare Modelle bei kleinen Stichprobengrößen oft komplexere Alternativen übertreffen, wodurch sie die Modellvereinfachung als kritische Baseline befürwortet.
Diese Studie evaluiert verschiedene Machine-Learning-Regressionsmodelle auf dem Datensatz „Individual Household Electric Power Consumption“, um Energietrends vorherzusagen und Anomalien zu identifizieren, wobei festgestellt wurde, dass Random Forest andere Algorithmen übertrifft, während die SHAP-Analyse zeigt, dass Global_intensity der dominante prädiktive Faktor ist.
Dieses Paper schlägt das Stigmergic Skeleton Field (SSF)-Framework vor, welches einen Medial-Axis-Skelettgraphen mit einem Ameisenkolonie-Pheromonfeld und einem Localized Incremental Re-skeletonization (LIR)-Algorithmus integriert, um eine effiziente, dezentrale Multi-Roboter-Navigation in dynamischen Umgebungen durch die Reparatur der Topologie nur dort zu ermöglichen, wo es notwendig ist, wodurch eine nahezu optimale Pfadqualität bei signifikant schnelleren Re-Planning-Geschwindigkeiten im Vergleich zu bestehenden Baselines erreicht wird.