3621 artículos
Este trabajo demuestra que la destilación asimétrica de un modelo Vision Transformer masivo a redes CNN de capacidad restringida provoca un colapso dimensional severo que reduce la dimensión intrínseca de ~88 a ~16, lo que genera una fragilidad crítica ante el ruido que solo las arquitecturas extremadamente pequeñas pueden mitigar mediante un efecto de filtrado de paso bajo.
Este artículo presenta gRef-CW, el primer conjunto de datos para la localización visual generalizada en agricultura que incluye expresiones negativas, y propone Weed-VG, un marco modular diseñado para superar las limitaciones de los modelos actuales al localizar instancias de cultivos y malezas en condiciones de campo complejas.
Este artículo presenta SIQA, un nuevo marco de evaluación para imágenes científicas que, a diferencia de los métodos tradicionales centrados en la percepción, mide tanto la validez y completitud del conocimiento científico como la claridad cognitiva, revelando mediante un benchmark y protocolos específicos que los modelos multimodales actuales muestran una mayor alineación en la puntuación que en la comprensión real del contenido científico.
Este artículo propone un marco de MLLM consciente de la cámara que, al inyectar parámetros intrínsecos, aplicar aumentación de datos específica y destilar priores geométricos, supera las limitaciones de generalización de los enfoques basados únicamente en RGB para lograr una inteligencia espacial robusta y transferible entre diferentes cámaras.
Este estudio demuestra que la regresión cuantílica conformalizada mejora la fiabilidad de las predicciones de erupciones solares al proporcionar intervalos de confianza con mayor cobertura y longitudes más favorables en comparación con otros métodos de aprendizaje profundo.
El artículo presenta UWPD, un nuevo paradigma para la detección universal de marcas de agua invisibles que, mediante el modelo FSNet y el conjunto de datos UniFreq-100K, identifica la presencia de marcas de agua sin necesidad de conocer el algoritmo de incrustación específico, superando las limitaciones de los métodos actuales que dependen de conocimientos previos.
Este artículo introduce HERO, un marco unificado para la localización temporal de oraciones en videos bajo configuración de vocabulario abierto, junto con los primeros benchmarks dedicados (Charades-OV y ActivityNet-OV), demostrando una superior capacidad de generalización frente a los métodos existentes mediante el refinamiento jerárquico de embeddings y la alineación multimodal.
Este artículo presenta un marco de aprendizaje profundo con atención multiplicativa externa que integra mapas de biomarcadores vasculares, como la tortuosidad y la pérdida de capilares derivados de la angiografía por tomografía de coherencia óptica (OCTA), para mejorar la detección de la degeneración macular asociada a la edad (DMAE) mediante el enfoque en regiones fisiológicamente relevantes.
Este artículo presenta un marco eficiente para el entrenamiento descentralizado de modelos de difusión heterogéneos que, al combinar objetivos de entrenamiento mixtos (DDPM y Flow Matching) y una arquitectura optimizada, reduce drásticamente los requisitos de cómputo y datos mientras mejora la calidad y diversidad de las imágenes generadas en comparación con enfoques anteriores homogéneos.
El artículo presenta ButterflyViT, un método que logra una compresión de memoria de 354 veces para Vision Transformers con Mezclas de Expertos en dispositivos de borde, reemplazando el almacenamiento redundante de expertos independientes por una parametrización geométrica basada en un sustrato compartido y rotaciones aprendidas, lo que permite escalar sub-linealmente el número de expertos sin pérdida significativa de precisión.
El artículo presenta XMACNet, una red neuronal convolucional ligera y explicable que fusiona imágenes RGB e índices de vegetación mediante atención automática para clasificar enfermedades en chiles con alta precisión, superando a modelos existentes y facilitando su implementación en dispositivos de borde.
El artículo presenta EarthBridge, un marco de traducción de alta fidelidad que combina modelos de puente difusivo y aprendizaje contrastivo para lograr una conversión precisa entre imágenes aéreas de sensores EO, IR y SAR, obteniendo el segundo lugar en el desafío MAVIC-T.
El artículo presenta HiDE, un marco de modelado de entropía basado en diccionarios jerárquicos para la compresión de imágenes aprendida que mejora la eficiencia de codificación al explotar priores externos estructurados y un estimador de parámetros contextual, logrando ahorros significativos en la tasa de bits en comparación con el estado del arte.
Este artículo presenta un modelo híbrido de aprendizaje automático que combina las arquitecturas VGG-19, Efficient-Net y ResNet50 con un clasificador Bi-LSTM para lograr una detección temprana de parálisis cerebral en imágenes de resonancia magnética cerebral con una precisión del 98,83%, superando a los modelos individuales preentrenados.
El estudio revela que la calidad del anclaje visual paso a paso en modelos visión-lingüísticos de largo horizonte es un indicador predictivo clave de su capacidad de generalización fuera de distribución, superando a la precisión final tradicional como medida de fiabilidad.
Este artículo presenta MotionBits, un concepto y método de segmentación sin aprendizaje que define unidades de movimiento basadas en equivalencia cinemática espacial, junto con el benchmark MoRiBo, logrando un rendimiento superior al estado del arte en la segmentación de cuerpos rígidos para tareas de razonamiento y manipulación robótica.
Este artículo presenta el marco "Perturbed Gaussian Ensemble", un método de selección activa de vistas diseñado para la reconstrucción tomográfica con 3DGS que identifica primitivas gaussianas inciertas mediante escalado estocástico de densidad para seleccionar proyecciones que maximicen la varianza estructural, mejorando así la fidelidad de la reconstrucción en tomografía computarizada de vistas escasas.
Este artículo presenta un modelo topológico extendido basado en haces de círculos que explica las limitaciones del modelo de toro anterior y revela que los parches de flujo óptico de alto contraste se concentran principalmente cerca de círculos correspondientes a bordes de escalón binario en lugar de en el toro, lo cual es crucial para tareas de visión por computadora como la segmentación y el seguimiento.
El artículo presenta ColonSplat, un marco de *Gaussian Splatting* dinámico que supera las limitaciones de los métodos actuales al reconstruir con precisión el movimiento peristáltico y la consistencia geométrica global en colonoscopias, respaldado por un nuevo conjunto de datos sintéticos llamado DynamicColon.
El artículo presenta IGLU, una nueva función de activación paramétrica basada en una mezcla de escalas de puertas GELU que utiliza una distribución de cola pesada (Cauchy) para garantizar gradientes no nulos y mejorar la robustez en datos desbalanceados, junto con una aproximación computacionalmente eficiente (IGLU-Approx) que logra un rendimiento competitivo o superior al de ReLU y GELU en tareas de visión y lenguaje con menor costo computacional.