3595 artículos
Este trabajo evalúa DINOv3 como un backbone semántico para tareas de percepción visual en la cosecha robótica de arándanos, concluyendo que aunque mejora consistentemente la segmentación, su eficacia en la detección depende de modelos espaciales adaptados a la escala de la fruta y a las estructuras de agrupación.
Este artículo presenta GramCol y un algoritmo de selección de características para generar Mapas de Atención Motriz Interpretables (IMAP), permitiendo localizar espaciotemporalmente conceptos de movimiento en Video Diffusion Transformers sin necesidad de cálculos de gradiente ni actualización de parámetros.
Este trabajo presenta CGL, un marco de aprendizaje continuo para agentes de interfaces gráficas que combina ajuste fino supervisado y aprendizaje por refuerzo mediante un mecanismo de ajuste dinámico y una estrategia de cirugía de gradientes para equilibrar la adaptación a nuevas tareas con la retención de conocimientos previos, validado mediante el nuevo benchmark AndroidControl-CL.
Este artículo presenta LDP-Slicing, un marco ligero y sin entrenamiento que preserva la privacidad diferencial local en imágenes mediante la descomposición de píxeles en planos de bits y una asignación optimizada del presupuesto de privacidad, logrando así una utilidad superior para tareas de aprendizaje automático en comparación con los métodos existentes.
Este artículo presenta DeepScope, un sistema de aprendizaje profundo que analiza imágenes microscópicas de muestras de agua no incubadas para detectar contaminación fecal en segundos con un costo de \$0.44 por prueba, superando los requisitos de la UNICEF y logrando una precisión del 90% y un recall superior al 94%.
El artículo presenta OptiRoulette, un meta-optimizador estocástico que selecciona dinámicamente reglas de actualización durante el entrenamiento, logrando una convergencia hasta 5.3 veces más rápida y mejoras significativas en la precisión de prueba en comparación con AdamW en múltiples conjuntos de datos de clasificación de imágenes.
Este artículo propone una representación unificada de los modelos de difusión y el emparejamiento de flujos mediante ecuaciones lineales, revelando que la correlación entre los datos ruidosos y el objetivo predicho puede ser débil, lo cual podría afectar el proceso de aprendizaje.
El artículo presenta RECAP, una estrategia de aprendizaje bioinspirada que combina dinámicas de reservorio no entrenadas con un mecanismo de lectura de prototipos hebbianos autoorganizado para lograr una clasificación robusta de imágenes sin necesidad de retropropagación de errores.
Este artículo revela que el desprendimiento basado en poda en modelos de difusión es vulnerable a la revivificación de conceptos eliminados mediante un ataque de canal lateral que explota las ubicaciones de los pesos podados, demostrando que este método no es inherentemente seguro y proponiendo estrategias de defensa para ocultar dichas ubicaciones.
El artículo presenta ObjChangeVR, un marco y un conjunto de datos diseñados para mejorar la detección y el razonamiento sobre cambios de estado de objetos en entornos de realidad virtual desde perspectivas egocéntricas continuas, abordando la falta de benchmarks y las dificultades para detectar cambios sin interacción directa del usuario.
Este artículo presenta un marco de consistencia de márgenes con puntuación de fidelidad de perturbación para la subtipificación robusta de adenocarcinoma pulmonar invasivo en imágenes de diapositivas completas, logrando una alta precisión y generalización en múltiples arquitecturas de redes neuronales y conjuntos de datos.
El marco PaLMR mejora la fiabilidad del razonamiento visual en modelos multimodales alineando tanto el resultado como el proceso de razonamiento mediante una capa de datos perceptiva y un esquema de recompensa jerárquico, logrando así reducir las alucinaciones y alcanzar resultados de vanguardia en benchmarks especializados.
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.
El artículo presenta ASMIL, un marco unificado de aprendizaje múltiple instanciado estabilizado por atención que corrige la inestabilidad dinámica, el sobreajuste y la concentración excesiva de la atención en el diagnóstico de imágenes de diapositivas completas, logrando mejoras significativas en el rendimiento frente a los métodos actuales.
El artículo presenta EnsAug, un nuevo paradigma de entrenamiento que supera a los métodos convencionales al utilizar un conjunto de modelos especialistas, cada uno entrenado con una única transformación geométrica distinta, logrando así un rendimiento superior en el análisis de secuencias de movimiento humano y reconocimiento de gestos.
El artículo presenta HyperTokens, un generador de tokens basado en transformadores que controla dinámicamente la actualización de prompts para el entendimiento continuo de video-lenguaje, logrando una mayor precisión y menor olvido mediante regularizadores inspirados en meta-aprendizaje y supervision multimodal auxiliar.
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.