2332 Arbeiten
Dieses Paper schlägt Boundary-First Segmentation vor, ein trainingsfreies Paradigma, das vor der Identitätsarbitration mittels Unified Boundary Evidence Transport (UBET) geschlossene Query-Regionen konstruiert und durch die Priorisierung räumlicher Kohärenz gegenüber dichter semantischer Ähnlichkeit eine State-of-the-Art-Leistung über verschiedene Benchmarks hinweg erzielt.
Dieses Papier schlägt ein quantenresistentes kryptographisches Framework namens Fractal Spectral Wave Filter vor, das eine effiziente O(N log N)-Verarbeitung und hohe Entropie erreicht, indem es 2D-Daten mittels Morton-Z-Kurven abbildet, Zahlentheoretische Transformationen über endliche Ringe anwendet und ungehinderte Aliasing-Kollisionen als Diffusionsmechanismus nutzt.
Dieses Paper stellt Mastyf Guard vor, eine deterministisch-orientierte Sicherheitsarchitektur, die LLM-Agenten als nicht vertrauenswürdige Akteure behandelt und bedingte Nicht-Eskalations-Invarianten über einen externen Referenzmonitor erzwingt, wodurch in empirischen Evaluierungen gegen indirekte Prompt-Injection- und Exfiltrationsbedrohungen eine nahezu perfekte Angriffsdetektion bei null Fehlalarmen erreicht wird.
Dieses Paper präsentiert und validiert eine sichere, offline-fähige Wearable-Vision-Architektur, die eine ESP32-CAM und einen Raspberry Pi integriert und authentifizierte Verschlüsselung, Replay-Resistenz sowie einen Fail-Closed-Startup durch reproduzierbare Software-Kontrakte und rigorose CI-basierte Tests erzwingt.
Dieses Paper präsentiert das Design und die Evaluierung eines kostengünstigen, auf Raspberry Pi basierenden Robotergesichts, das OpenCV für visches Echtzeit-Tracking und eine Servosteuerung zur Nachahmung menschlicher Gesichtsausdrücke und Kopfbewegungen nutzt, wobei eine Detektionsgenauigkeit von 92,4 % bei minimaler Latenz erreicht wird, während gleichzeitig Sicherheitsaspekte für intelligente interaktive Systeme berücksichtigt werden.
Dieses Paper schlägt einen verbesserten Deep-Q-Learning-Algorithmus für die Branderkennung durch UAVs in experimentellen Bildungszonen vor, der eine Multi-Objective-Reward-Optimierung, diagonale Bewegungsanreize und A*-inspirierte Beschränkungen integriert, um im Vergleich zu konventionellen Methoden die Pfadeffizienz signifikant zu steigern, das Risiko zu reduzieren und die Erfolgsraten der Mission zu verbessern.
Das Papier schlägt GHD-DETR vor, eine neuartige Detection-Transformer-Architektur, die die Module GatedNestStage, BDB und HAGF umfasst, um die Robustheit der Objekterkennung für kleine, verdeckte und kontrastarme Objekte unter komplexen Bildbedingungen signifikant zu verbessern und dabei erhebliche Leistungssteigerungen auf anspruchsvollen Datensätzen wie RTTS, HazyDet und DUO zu erzielen.
Dieses Paper schlägt ein duales Zweig-Framework für adaptive Diffusion und bewegungsgesteuerte zeitliche Ausrichtung vor, das durch die Kombination von inhaltsadaptiver lokaler Diffusion mit koordinatenbewusster globaler Verankerung den Zielkonflikt zwischen Unauffälligkeit und Robustheit bei unsichtbaren Videowasserzeichen effektiv löst, um eine überlegene Leistung gegenüber lokalem Zuschnitt und anderen Angriffen zu erzielen.
Diese Studie schlägt ein Bias-bewusstes Deep-Learning-Framework vor, das einen kuratierten, einheitlich vorverarbeiteten Multi-Quellen-CXR-Datensatz und einen Quellenvorhersage-Sanity-Check nutzt, um Datensatz-Ursprungs-Bias zu mildern, wobei demonstriert wird, dass ein maßgeschneidertes ResNet-38-Modell eine überlegene Genauigkeit der Multi-Klassen-Lungenkrankheitserkennung von etwa 93 % im Vergleich zu tieferen ResNet-Architekturen erreicht.
Dieses Paper schlägt ein hybrides, auf maschinellem Lernen basierendes Sicherheitsframework (MLBS) vor, das K-Nearest Neighbors (KNN) und rekursive neuronale Netze (RNN) integriert, um eine überlegene Genauigkeit und Robustheit bei der Erkennung von Distributed-Denial-of-Service (DDoS)-Angriffen in Internet-of-Things (IoT)-Netzwerken zu erreichen, wobei es konventionelle Modelle mit einer Erkennungsrate von 98,72 % übertrifft.