2336 Arbeiten
Dieses Paper schlägt HEpose vor, ein hybrides Deep-Learning-Framework, das parallele lineare und residuelle Schichten nutzt, um die 3D-Humanpose effektiv aus 2D-Gelenkpositionen zu schätzen, wobei eine 50%ige Verbesserung der Genauigkeit gegenüber Baseline-Methoden erreicht wird.
Diese Arbeit präsentiert ein ressourceneffizientes maschinelles Lernframework, das urbane Hintergrundgeräuschpegel aus gewöhnlichen Smartphone-Bildern unter Verwendung von nur 400 Stichproben vorhersagt, indem es eine Transformer-basierte semantische Segmentierung mit interpretierbaren, handgefertigten Merkmalen kombiniert und somit eine skalierbare, durch Citizen Science getriebene akustische Überwachung ermöglicht, die gegen psychoakustische Schwellenwerte validiert wurde.
Diese Studie evaluiert empirisch neun Aktivierungsfunktionen innerhalb eines Physics-Informed Neural Network-Frameworks zur Lösung nicht-autonomer Differentialgleichungen und zeigt auf, dass GELU aufgrund seiner überlegenen Leistung bei der Minimierung des Residuenverlusts im Vergleich zu anderen Funktionen die robusteste Wahl ist.
Das Papier schlägt LiteFocus-DEIM vor, einen leichtgewichtigen kontextsensitiven Detektor, der einen Gated Attention Block, Adaptive Feature Fusion und ein Focused Scale Flow Network integriert, um kleine und verdeckte Sicherheitsausrüstungen bei Luftlinieninspektionen der Stromversorgung effektiv zu detektieren, wobei eine hohe Genauigkeit und Effizienz sowohl auf einem benutzerdefinierten HAD-Datensatz als auch auf dem VisDrone2019-Benchmark erreicht wird.
Dieses Paper schlägt ein Cascade Graph Convolutional Network (CGCN) vor, das eine bewegungsbewusste hierarchische Adjazenzmatrix zur dynamischen Modellierung von Gelenkkorrelationen sowie eine schrittweise kaskadierte Architektur zur progressiven Klassifizierung von Aktionen mit zunehmender Komplexität nutzt und dadurch ein überlegenes Gleichgewicht zwischen Erkennungsgenauigkeit und Recheneffizienz über mehrere Datensätze hinweg erreicht.
Dieses Paper stellt \method{} vor, eine parameterfreie Adaption von 2D Rotary Position Embedding für die Szenentexterkennung, welche die Einschränkungen bestehender Methoden adressiert, indem sie Dimensionen anisotrop zuordnet, um Text-Aspektverhältnissen zu entsprechen, und die Rotary-Kopplung auf die Encoder-Decoder-Cross-Attention erweitert, wodurch die Genauigkeit bei gekrümmten, rotierten und perspektivisch verzerrten Textlayouts signifikant verbessert wird.
Diese PRISMA-geführte kritische Übersicht über 142 Studien zu CNN-, Transformer- und Hybrid-Objekterkennungsarchitekturen für das autonome Fahren identifiziert signifikante Lücken in der Evidenz für den Einsatz unter realen Bedingungen und führt das AVOD-DRF-Framework ein, um eine reproduzierbare, evidenzbasierte Auswahl von Detektoren auf Grundlage der Einsatzreife statt allein auf Basis der Benchmark-Leistung zu ermöglichen.
Dieses Paper schlägt ein Class-Aware Semantic Hybrid Data Augmentation (CSHDA)-Framework vor, das selektiv vielfältige, semantisch validierte Augmentierungstechniken auf Minderheitenklassen anwendet, wodurch die Klassenimbalance effektiv gemildert und die Leistung sowie Robustheit mehrerer Transformer-basierter Modelle bei unbalancierten Sentiment-Klassifizierungsaufgaben signifikant verbessert wird.
Dieses Paper schlägt ein universelles, durch Priors regularisiertes Framework vor, das kuratierte biologische Erkenntnisse in differenzierbare kausale Entdeckungsalgorithmen integriert und dadurch die Genauigkeit der Graph-Rekonstruktion in hochdimensionalen, kleinsampligen Transkriptomdaten signifikant verbessert, indem es bestehende Domänen-Priors nutzt, um das Lernen dort zu stabilisieren, wo Basis-Methoden Schwierigkeiten haben.
Dieses Paper stellt eine vollständig quelloffene, per pip installierbare CuPy-Implementierung des vollständigen BM4D-volumetrischen Entrauschungsalgorithmus vor, die die Notwendigkeit eines CUDA Toolkits oder Build-Schritten eliminiert und dabei bis zu 36,6-fache Beschleunigungen gegenüber der CPU-Referenz erreicht sowie die exakte numerische Treue zur ursprünglichen Methode beibehält.