5561 artículos
El artículo presenta SGMA, un marco de segmentación semántica para teledetección que aborda la incompletitud de datos multimodales mediante módulos de fusión guiada semánticamente y muestreo consciente de la modalidad para equilibrar el aprendizaje, reducir la variación intraclase y resolver inconsistencias entre modalidades.
Este estudio demuestra que un marco de aprendizaje profundo basado en grafos, que utiliza parcellaciones funcionales (MSDL) en lugar de las anatómicas y un ensemble de redes de atención gráfica, logra una precisión del 95% en la clasificación del autismo mediante rs-fMRI, validando además que las decisiones del modelo se alinean con la neuropatología del trastorno al identificar hubs clave de la red neuronal por defecto.
El artículo presenta NeighborMAE, un modelo de autoencoder enmascarado que mejora el aprendizaje auto-supervisado de imágenes de observación terrestre al explotar las dependencias espaciales entre imágenes vecinas mediante una reconstrucción conjunta y una estrategia heurística dinámica para ajustar la proporción de enmascaramiento y el peso de la pérdida.
El paper presenta EIMC, un paradigma innovador de percepción colaborativa multimodal que mejora la seguridad en la conducción autónoma mediante la inyección de voxels colaborativos ligeros y un protocolo de consenso basado en mapas de calor para solicitar solo los vectores de instancias más críticos, logrando así un alto rendimiento en detección (73.01% AP@0.5) con una reducción del 87.98% en el uso de ancho de banda.
Este trabajo establece una fundamentación teórica sobre la entropía focal mediante el análisis de sus propiedades funcionales, demostrando cómo la pérdida focal amplifica las probabilidades intermedias y suprime las extremas, lo que explica su comportamiento y compensaciones en tareas de aprendizaje con desequilibrio de clases.
Este artículo presenta ForestPersons, un nuevo conjunto de datos a gran escala diseñado para la detección de personas desaparecidas bajo el dosel forestal desde perspectivas a nivel del suelo y baja altitud, abordando las limitaciones de los enfoques aéreos tradicionales en misiones de búsqueda y rescate.
El artículo propone el clasificador discriminativo asistido por generación (GAD), un método que combina las ventajas de los enfoques generativos y discriminativos en modelos multimodales de gran lenguaje para lograr un rendimiento superior y una inferencia más rápida en la comprensión de acciones cerradas.
SemGS es un marco de trabajo feed-forward que reconstruye campos semánticos 3D generalizables a partir de vistas escasas mediante una arquitectura de doble rama y un mecanismo de atención consciente de la cámara, logrando un estado del arte en la síntesis de nuevas vistas semánticas con inferencia rápida y alta generalización.
Este trabajo presenta un robot quirúrgico asistivo de doble brazo que utiliza modelos de visión y lenguaje para generar trayectorias de entrega de instrumentos de forma autónoma y sin colisiones en entornos dinámicos, logrando una tasa de éxito del 83,33% en validaciones experimentales.
El artículo presenta GKD, un marco de destilación de conocimiento que mejora la generalización en la segmentación semántica al desacoplar el aprendizaje de representaciones de la adaptación a la tarea mediante una destilación selectiva basada en consultas, superando así a los métodos convencionales en escenarios de distribución cambiante.
Este trabajo presenta VC-STaR, un marco de auto-mejora que aprovecha pares de preguntas visuales contrastivas para mitigar las alucinaciones en los razonamientos de los modelos de lenguaje visuales, generando el conjunto de datos VisCoR-55K que supera a los métodos existentes y a los conjuntos de datos de vanguardia.
El artículo presenta CAPT, un marco de ajuste de prompts consciente de la confusión que mitiga las desalineaciones en modelos visión-idioma mediante la construcción de un banco de confusión y la integración de mineros semánticos y de muestras para mejorar la discriminación y la generalización en categorías similares.
El artículo presenta CAWM-Mamba, un marco unificado basado en Mamba que realiza por primera vez la fusión de imágenes infrarrojas y visibles junto con la restauración de condiciones climáticas adversas compuestas mediante módulos especializados para el preprocesamiento, la interacción multimodal y la descomposición en el espacio de wavelets, logrando un rendimiento superior en benchmarks y tareas de percepción downstream.
El artículo presenta SOLAR, un marco de modelado de secuencias para sistemas de recomendación que utiliza una atención optimizada mediante descomposición SVD para reducir la complejidad computacional de a sin perder precisión en matrices de bajo rango, permitiendo manejar secuencias de comportamiento masivas y logrando mejoras significativas en las visualizaciones de video en el escenario en línea de Kuaishou.
El artículo presenta ATD, una nueva arquitectura basada en transformadores que utiliza un diccionario de tokens adaptativo y un mecanismo de atención cruzada para lograr un modelado de dependencias globales con complejidad lineal, logrando así un rendimiento superior en tareas de restauración de imágenes como la super-resolución y la eliminación de ruido.
El artículo presenta NEMF, un marco innovador que desentraña la geometría, el campo ambiental y los materiales para resolver el problema inverso físico y reconstruir mapas de parámetros materiales de alta resolución, permitiendo así la creación de gemelos digitales funcionales y simulables.
Este estudio demuestra que la combinación de las técnicas de aumento de datos "Random Affine" y "Color Jitter" optimiza el rendimiento del modelo ligero EfficientViT para la clasificación de caracteres manuscritos bengalíes, alcanzando una precisión superior al 97% en conjuntos de datos con recursos limitados.
El artículo presenta "Synthetic-Child", una pipeline basada en IA generativa que crea datos sintéticos fotorealistas de posturas infantiles para entrenar modelos de estimación precisos y éticos, logrando un rendimiento superior al de los datos reales en dispositivos de borde sin necesidad de fotografías de niños.
Este artículo presenta VLMFusionOcc3D, un marco multimodal robusto que integra modelos de visión-idioma para mejorar la predicción de ocupación semántica 3D en conducción autónoma, abordando eficazmente la ambigüedad semántica y el rendimiento en condiciones climáticas adversas mediante mecanismos de atención instanciada y fusión adaptativa.
El artículo presenta DrPose, un algoritmo de ajuste fino con recompensa directa que mejora la reconstrucción 3D de humanos a partir de una sola imagen mediante el entrenamiento de modelos de difusión multi-vista con un nuevo conjunto de datos de 15K poses, logrando así generar poses más naturales y diversas sin necesidad de costosos activos 3D.