4377 artículos
El paper presenta Mario, un marco unificado que permite el razonamiento en grafos multimodales mediante grandes modelos de lenguaje al abordar la consistencia intermodal y la preferencia heterogénea de modalidades a través de un diseño de modelo visión-idioma condicionado por grafos y un ajuste de instrucciones adaptativo.
Logi-PAR es el primer marco de reconocimiento de actividades de pacientes que integra reglas diferenciables aprendidas y fusión de hechos contextuales para inferir riesgos mediante lógica explícita, ofreciendo explicaciones auditables y superando el estado del arte en benchmarks clínicos.
Este trabajo presenta el marco SCDL, un módulo plug-and-play que mitiga los sesgos de supervisión y representación en la segmentación semisupervisada de imágenes médicas mediante el aprendizaje de distribuciones de características condicionales a la clase, logrando mejoras significativas en el rendimiento, especialmente para clases minoritarias, en los conjuntos de datos Synapse y AMOS.
El artículo presenta SPyCer, una red neuronal semi-supervisada y guiada por principios físicos que utiliza imágenes satelitales y modelos de balance energético para estimar con mayor precisión y coherencia espacial la temperatura del aire cerca de la superficie, superando las limitaciones de las redes de sensores terrestres dispersos.
Este trabajo presenta un sistema robótico de clasificación textil impulsado por gemelos digitales que integra percepción multimodal y modelos de lenguaje visual para la detección de objetos extraños y la clasificación de prendas en entornos industriales automatizados, demostrando la viabilidad de esta tecnología mediante la evaluación de nueve modelos VLM en escenarios reales.
El artículo presenta ICHOR, un enfoque de aprendizaje auto-supervisado basado en autoencoders enmascarados que utiliza un vasto conjunto de datos de imágenes ASL para generar representaciones robustas y generalizables que superan a los métodos existentes en tareas de clasificación diagnóstica y predicción de calidad de mapas de flujo sanguíneo cerebral.
El artículo presenta CATNet, un marco adaptativo que mejora la percepción cooperativa mediante la sincronización de flujos asíncronos, la eliminación de ruido mediante transformadas wavelet y la selección dinámica de características para superar los desafíos de latencia temporal y ruido en entornos de tráfico complejos.
El artículo presenta Wiki-R1, un marco de aprendizaje por refuerzo basado en un currículo de generación de datos y muestreo que incentiva el razonamiento multimodal para la VQA basada en conocimiento, logrando nuevos resultados de vanguardia en los benchmarks Encyclopedic VQA e InfoSeek al cerrar la brecha entre el preentrenamiento y la distribución objetivo.
Este estudio demuestra que el rendimiento óptimo en la detección de cambios de distribución en Vision Transformers se logra combinando el análisis de capas intermedias y módulos específicos, donde la red feedforward es superior ante grandes desplazamientos de distribución y la atención multi-cabeza normalizada lo es ante desplazamientos débiles.
El artículo presenta WebChain, el conjunto de datos de código abierto más grande de trazas de interacción web anotadas por humanos, diseñado para acelerar la investigación reproducible en agentes web mediante un enfoque de alineación triple y una estrategia de entrenamiento dual que logra un rendimiento superior en benchmarks de interfaces gráficas.
El artículo presenta Fusion4CA, un método que mejora la detección 3D de objetos al explotar exhaustivamente la información visual mediante módulos de alineación contrastiva, una rama auxiliar de cámara y adaptadores cognitivos, logrando un rendimiento superior al estado del arte en el conjunto de datos nuScenes y en entornos lunares simulados con un aumento mínimo de parámetros.
El artículo presenta SpectralCache, un marco de caché sin entrenamiento que acelera la inferencia de los Transformadores de Difusión (DiT) mediante la gestión inteligente de errores a lo largo de las dimensiones temporal, de profundidad y de frecuencia, logrando una aceleración del 2,46x en FLUX.1-schnell manteniendo una calidad de imagen comparable a los métodos existentes.
El artículo presenta Dark3R, un marco de aprendizaje que utiliza destilación de modelos fundacionales y pares de imágenes ruidosas-limpias para lograr una estructura a partir del movimiento y síntesis de vistas novedosas robustas en condiciones de oscuridad extrema (SNR < -4 dB), sin necesidad de supervisión 3D.
OpenFrontier es un marco de navegación libre de entrenamiento que integra modelos de visión y lenguaje para identificar y alcanzar fronteras semánticas como subobjetivos, permitiendo una navegación eficiente en entornos abiertos sin necesidad de reconstrucción 3D densa, entrenamiento de políticas o ajuste fino.
Este trabajo presenta ORMOT, una nueva tarea de seguimiento multiobjeto referencial omnidireccional, junto con el conjunto de datos ORSet y el marco ORTrack basado en modelos de visión-lingüística a gran escala, para superar las limitaciones del campo de visión de las cámaras convencionales y mejorar el seguimiento de objetos descritos por lenguaje en entornos panorámicos.
El artículo presenta Fusion-CAM, un marco novedoso que unifica los mapas de activación basados en gradientes y en regiones mediante un mecanismo de fusión adaptativo para generar explicaciones visuales más robustas, precisas y completas de las decisiones de las redes neuronales convolucionales.
Este artículo presenta CliReg, un algoritmo determinista basado en la búsqueda de cliques máximos que sustituye a RANSAC para la validación de cierres de bucle en SLAM con LiDAR 3D, logrando una mayor robustez, menor error de pose y una detección más fiable en condiciones de ruido y ambigüedad.
Este artículo presenta un sistema basado en rastreo de múltiples objetos y el detector YOLOv11 para analizar la locomoción de peces a partir de videos y así monitorear su salud, validado en un conjunto de datos de peces de arroz de Sulawesi que será publicado.
El artículo presenta MobileFetalCLIP, un modelo de aprendizaje profundo ligero que utiliza una nueva técnica de destilación de conocimiento repulsivo selectivo para superar las limitaciones de capacidad de los modelos fundacionales, logrando un rendimiento superior en el análisis de ultrasonidos fetales en dispositivos móviles de bajo costo.
El artículo presenta RelaxFlow, un marco de generación 3D amodal impulsado por texto que, mediante un mecanismo de relajación y un módulo de consenso de múltiples priores, completa las regiones ocultas de un objeto siguiendo un prompt textual sin comprometer la fidelidad de la observación original.