927 Arbeiten
Dieses Paper präsentiert ein leichtgewichtiges, modulares Framework, das monokulares Dense-SLAM (MASt3R-SLAM) mit Vision-Language-Modellen (Gemma 3 und Qwen2.5-VL) integriert, um eine robuste, Open-Vocabulary-semantische Navigation in Innenräumen ausschließlich mittels RGB-Input zu ermöglichen, ohne Tiefesensoren oder Modell-Feintuning zu erfordern.
Dieses Paper stellt XAI-Gate vor, ein neuartiges, detektor-agnostisches Governance-Framework, das dynamisch Erklärungsmaßnahmen auswählt, um die Paket-Quality-of-Service, die Interpretierbarkeit für den Operator und die Informationsexposition unter Ressourcenbeschränkungen in Einklang zu bringen, wobei signifikante Reduktionen der Erklärungs-Schulden (Explanation Debt) und null Budgetverletzungen ohne die Notwendigkeit eines Classifier-Re-Trainings erreicht werden.
Dieses Paper stellt Omnilingual ASR vor, eine skalierbare Open-Source-Familie von Spracherkennungsmodellen, die eine selbstüberwachte Architektur mit 7 Milliarden Parametern und einen massiven, diversen Trainingskorpus nutzt, um über 1.660 Sprachen zu unterstützen, einschließlich mehr als 500 bisher nicht bedienten, während sie Gemeinschaften in die Lage versetzt, das System mit minimalen Daten leicht an neue Sprachen anzupassen.
Dieses Paper stellt UDAQ vor, ein vereinheitlichtes, belohnungsgesteuertes Q-Iterations-Framework, das sich autonom an dynamisch evolvierende Zustandsräume anpasst, um gleichzeitig sowohl die Punkt-zu-Punkt-Pfadplanung als auch die effiziente Exploration der Umgebung zu optimieren, wobei es konventionelle Planer und Explorationsstrategien in unbekannten Umgebungen ohne vorherige Kartenkenntnis signifikant übertrifft.
Dieses Paper schlägt ein neuartiges, pose-robustes Framework zur Fingeridentifikation vor, das gegenseitige Regionen-Ausrichtung, Minimum-Convolution-Punkt-Merkmalslernen und gewichtete Score-Fusion integriert, um die durch Längsrotation und nicht-starre Deformationen in kontaktlosen Fingerbildern verursachte Leistungsdegradation effektiv zu adressieren und dabei State-of-the-Art-Ergebnisse über vier öffentliche Datensätze hinweg zu erzielen.
Dieses Paper präsentiert ein verhaltenszentriertes Framework zur Klassifizierung von MITRE ATT&CK-Techniken mittels Sysmon-Telemetrie und demonstriert, dass eine GUID-basierte Ereigniskorrelation in Kombination mit dem SecureBERT-Transformer-Modell die zeitliche Korrelation sowie traditionelle Ansätze des maschinellen Lernens bei der Identifizierung adversarieller Aktivitäten übertrifft.
Dieses Papier schlägt eine neuartige Rectified Sine Unit (RSU) Aktivierungsfunktion vor, die die Leistungsfähigkeit von Convolutional Neural Networks bei der automatisierten pathologischen Diagnose über vier diverse Krebsdatensätze hinweg signifikant verbessert und dabei eine überlegene Genauigkeit im Vergleich zu Standard-Aktivierungsfunktionen wie ReLU und Leaky ReLU erzielt.
Diese Studie validiert empirisch ein hybrides KI-IoT-Framework, das kontinuierliche Umgebungssensorik mit maschinellem Lernen integriert, um chromatische Verschlechterungen an tropischen Kulturerbe-Fassaden in Indonesien vorherzusagen und Frühwarnungen bereitzustellen, wobei eine hohe Genauigkeit und Generalisierbarkeit über mehrere Standorte hinweg erreicht wird.
Dieses Papier schlägt eine auf Deep Learning basierende Methode zur Wahrnehmung des Sicherheitszustands für petrochemische industrielle Steuerungsnetzwerkgeräte unter Verwendung eines hybriden TCN-MGRU-Modells vor, um die situative Komplexität und Informationsverzögerungen zu adressieren und dadurch die Erkennungsgenauigkeit sowie den Sicherheitschutz signifikant zu verbessern.
Dieses Paper präsentiert eine ressourcenschonende hybride Detektionspipeline, die bewegungsbasierte Vorverarbeitung mit YOLOv8-nano kombiniert, um Schwärme der Rotnackenhäher auf reiner CPU-Hardware effizient zu identifizieren, wobei eine hohe Genauigkeit bei signifikanter Reduzierung der Rechenlast während statischer Szenen erreicht wird.