3730 Arbeiten
Dieses Paper schlägt ein adaptives, margin-basiertes Metric-Learning-Framework vor, das eine neuartige Verlustfunktion für unbalancierte Datensätze sowie eine hierarchische bilineare Pooling-Strategie aufweist und damit eine State-of-the-Art-Leistung bei der Klassifizierung und dem Abruf von 3D-Punktwolken bei geringen Rechenkosten erzielt.
Dieses Paper schlägt SO6D vor, eine neuartige Methode, die symmetriebewusste Octree-Kodierung mit Hough-Voting und iterativer Verfeinerung kombiniert, um eine hochmoderne 6D-Pose-Schätzung für texturlose, symmetrische industrielle Objekte zu erreichen.
Dieses Paper schlägt ein flexibles Multi-Task-Learning-Framework vor, das 2D- und 3D-CNN-Backbones vereinigt, um gleichzeitig die Klassifizierung von Kniearthrose sowie die Segmentierung von Meniskus und Knorpel durchzuführen, wobei es zeigt, dass die 2D-Variante die 3D-Baselines hinsichtlich Genauigkeit, Konvergenzgeschwindigkeit und Recheneffizienz auf einem groß angelegten MRT-Datensatz übertrifft.
Dieses Papier präsentiert ein neuartiges monokulares Multi-View-Panorama-Sensoriksystem, das mehrere Perspektiven in einer einzigen Belichtung erfasst, um durch das Durchlaufen von Kontur-Voxel-Polarkoordinaten eine hochpräzise 3D-Formrekonstruktion in Echtzeit zu erreichen und dabei effektiv Herausforderungen wie texturlose Oberflächen und komplexe Kamera-Setups zu bewältigen.
Dieses Paper schlägt MEFD-Net vor, ein multimodales EEG-Merkmalsfusionsmodell, das ein verbessertes BiLSTM, adaptive Multi-Skalen-Konvolutionen mit Self-Attention sowie reine konvolutionale Netzwerke integriert, um eine robuste, End-to-End-Detektion von Ermüdung beim Fahren mit signifikant verbesserter Genauigkeit, Recall und F1-Scores im Vergleich zu bestehenden Methoden zu erreichen.
Diese empirische Studie zeigt, dass der Übergang der lokalen LLM-Inferenz von der CPU zur GPU die Energieeffizienz und Geschwindigkeit zwar drastisch verbessert, jedoch eine hardwarebedingte Nichtdeterministik einführt, die die Codequalität in 0-Shot-Szenarien verschlechtert – eine Herausforderung, die durch 3-Shot-Prompting effektiv gemildert wird, um eine stabile und nachhaltige Codegenerierung zu gewährleisten.
Das Papier schlägt die Degradation-Aware Dynamic Frequency Routing für die Verbesserung von Unterwasserbildern (DAFR-UIE) vor, ein kompaktes Framework, das ein gemeinsames Degradations-Embedding nutzt, um das dynamische Routing von Frequenzen, die räumliche Modulation und die adaptive Fusion für eine probenspezifische Wiederherstellung zu koordinieren und dabei mit nur 2,02 Millionen Parametern eine Spitzenleistung auf Benchmark-Datensätzen erzielt.
Dieses Paper führt die „Source-to-Claim-Dokumentation“ als ein Framework für die Auditierung generativer KI in der qualitativen Forschung ein, indem es Quellbelege explizit mit Modellinteraktionen und analytischen Behauptungen verknüpft und somit den für die Reanalyse und das menschliche Urteil notwendigen Evidenzpfad bewahrt.
Diese Studie schlägt ein Framework zur Fusion von Multi-Quellen-Daten vor, das geomagnetische, Trajektorien- und Signaldaten mit fortschrittlichem gitterbasiertem Clustering, Bayesianischer Netzwerkanalyse und einem durch Self-Attention erweiterten CNN-BiLSTM-Modell integriert, um den städtischen Verkehrsverkehr präzise zu identifizieren, vorherzusagen und zu steuern, wie durch eine Fallstudie in Jinan validiert wurde.
Diese Studie zeigt, dass Post-hoc-Attributionsmethoden für klinische Zeitreihenprognosen häufig materiell inkonsistente und klinisch bedeutsame Unstimmigkeiten aufweisen, was darauf hindeutet, dass eine konsequenzkalibrierte Prüfung wertvoller ist als das Streben nach einer universell bevorzugten Erklärungsmethode.