9152 artículos
El artículo presenta FCBNet, un modelo eficiente para la detección de malezas en imágenes aéreas multiespectrales que utiliza un backbone ConvNeXt congelado y un bloque de corrección de características, logrando una precisión superior al 85% y una reducción de más del 90% en parámetros entrenables en comparación con arquitecturas existentes.
El artículo presenta GameVerse, un nuevo benchmark que demuestra cómo los Modelos Visuales-Lingüísticos pueden mejorar sus estrategias en videojuegos mediante un ciclo de reflexión basado en video que combina trayectorias de fallo y tutoriales expertos.
Este capítulo examina el potencial de la inteligencia artificial generativa para mejorar la alfabetización científica en los niveles K-16+ proponiendo una arquitectura que unifica la enseñanza, el aprendizaje y la evaluación, al tiempo que aborda los desafíos conceptuales y prácticos, así como las necesidades futuras de investigación y desarrollo.
El artículo presenta Graph-of-Mark (GoM), una técnica de prompting visual basada en grafos que mejora el razonamiento espacial de los modelos de lenguaje multimodales al superponer grafos de escena en las imágenes, logrando aumentos significativos en tareas de localización y preguntas visuales sin necesidad de entrenamiento adicional.
Este artículo presenta un sistema de inferencia optimizado para modelos de generación de video basados en DiT que, mediante el uso de codificación posicional 3D secuencial-paralela con un índice de tiempo global y técnicas de fusión de operadores, logra reducir significativamente la latencia y el consumo de memoria para habilitar la generación de videos en tiempo real sin comprometer la calidad.
El artículo demuestra que, en tareas médicas de visión y lenguaje, la cadena de pensamiento a menudo reduce el rendimiento al exacerbar la incertidumbre perceptiva, y propone intervenciones de anclaje visual para mejorar la precisión y la alineación multimodal.
Este artículo presenta SIL-GPO, un marco de aprendizaje por refuerzo que combina redes de atención gráfica y aprendizaje de autoimitación para optimizar la orquestación híbrida de servicios de IA y microservicios en el borde, logrando una reducción significativa de la latencia y una mejor utilización de los recursos en comparación con las soluciones existentes.
El artículo presenta CalibFusion, un detector de fusión radar-cámara basado en transformadores que realiza una calibración extrínseca diferenciable y refinada de extremo a extremo para mejorar la detección en entornos acuáticos, superando las limitaciones de los métodos existentes ante la falta de texturas y el ruido por ondas.
Este artículo presenta ERP-RiskBench, un marco experimental reproducible y seguro contra fugas de datos que utiliza un modelo de ensemble de aprendizaje automático para detectar riesgos financieros en sistemas ERP, demostrando que las prácticas rigurosas de validación reducen las estimaciones de rendimiento infladas e identifican las discrepancias en la conciliación de tres vías como los predictores más informativos.
Este estudio demuestra que, a diferencia de lo observado en modelos de imágenes, la inicialización con ruido semántico no mejora significativamente la generación de video texto-a-video, ya que los resultados no superan estadísticamente a la línea base de ruido gaussiano y presentan una señal inestable.
AutoFigure-Edit es un sistema integral que genera ilustraciones científicas totalmente editables y adaptables a estilos específicos a partir de textos científicos extensos, combinando la comprensión de contexto largo, el guiado por imágenes de referencia y la edición nativa en SVG.
Este trabajo presenta un modelo híbrido de clasificación basado en aprendizaje con pocos ejemplos e inteligencia artificial explicable que integra redes siamesas y prototípicas con Grad-CAM para identificar con alta precisión y transparencia las etapas de enfermedades en hojas de maíz, arroz y trigo, incluso con datos anotados limitados.
Este artículo presenta PRPO, un método de optimización de políticas paralelas que resuelve conflictos en el entrenamiento de modelos visuales para el análisis profundo de gráficos, junto con MCDR-Bench, una nueva plataforma de evaluación objetiva que supera las limitaciones de las técnicas actuales al medir capacidades de razonamiento analítico avanzado.
El artículo presenta MultiGen, un enfoque que introduce una memoria externa persistente y editable en motores de juegos basados en difusión para superar las limitaciones de control del usuario y la coherencia en simulaciones multijugador interactivas.
El artículo presenta VB, un nuevo benchmark diseñado para evaluar la capacidad de los modelos de visión y lenguaje para determinar la visibilidad en imágenes y abstenerse de responder cuando la evidencia es insuficiente, demostrando que GPT-4o y Gemini 3.1 Pro lideran este razonamiento entre los modelos evaluados.
El artículo presenta "Narrative Weaver", un marco innovador que integra planificación narrativa multimodal y un banco de memoria dinámico para generar contenido visual coherente y controlable a largo plazo, complementado con el lanzamiento del primer dataset de referencia para storyboards publicitarios.
Este trabajo propone utilizar secuencias de seguimiento ocular como señal de supervisión para guiar el razonamiento visual de los modelos de lenguaje-vision en radiología, logrando un rendimiento superior al estado del arte al imitar la adquisición temporal de evidencia humana.
Este artículo presenta un enfoque que extiende la minería de especificaciones más allá de las abstracciones booleanas mediante la combinación de síntesis guiada por sintaxis y una interpretación de lógica temporal (TSL) para aprender transformaciones de datos y especificaciones temporales, demostrando una mayor eficiencia y robustez en la síntesis de programas reactivos en entornos de aprendizaje automático.
El artículo presenta ATLAS, un marco de ajuste fino con refuerzo que permite a los modelos de lenguaje pequeños operar eficazmente en grandes ecosistemas de herramientas mediante el aprendizaje de decisiones de control de contexto y estructura de ejecución, superando las limitaciones de los enfoques genéricos y acercándose al rendimiento de agentes avanzados con recursos limitados.
Este artículo presenta un enfoque de planificación jerárquica que combina datos de satélites geoestacionarios para la visión a largo plazo con sensores a bordo para el refinamiento a corto plazo, logrando mejorar el rendimiento de la orientación dinámica de observaciones satelitales hasta en un 41% en escenarios con objetivos dispersos.