7524 artículos
El artículo presenta la Face Pyramid Vision Transformer (FPVT), un modelo innovador que combina mecanismos de atención espacial, reducción de dimensionalidad y componentes convolucionales para lograr un rendimiento superior en reconocimiento facial con menos parámetros que los métodos existentes.
Este estudio combina experimentos psicológicos y modelado computacional para demostrar que tanto los humanos como el modelo SeCo pueden aprender rápidamente a inferir objetos ocultos a partir de relaciones contextuales en escenas naturales sin supervisión explícita, destacando la importancia de las asociaciones contextuales para la comprensión visual.
El artículo presenta RDFC-GAN, una red neuronal de fusión RGB-profundidad basada en CycleGAN que supera las limitaciones de los métodos actuales para completar mapas de profundidad en interiores con grandes áreas faltantes, logrando resultados superiores en los conjuntos de datos NYU-Depth V2 y SUN RGB-D.
Este artículo presenta un modelo de predicción espacio-temporal basado en una red neuronal guiada por física que utiliza un método de Runge-Kutta adaptativo y un módulo de Fourier mejorado, logrando un rendimiento superior a los métodos actuales en tareas de pronóstico meteorológico y reconocimiento de acciones con una menor cantidad de parámetros.
Este estudio demuestra que el sistema de estimación de postura sin marcadores DeepLabCut, cuando se entrena de forma personalizada y se refina, supera a los modelos preentrenados y a OpenPose, ofreciendo una solución precisa y económica para el análisis de la marcha en entornos naturales.
El artículo presenta PASS, un marco novedoso basado en hiperredes recurrentes que utiliza prompts visuales y estadísticas de pesos para identificar patrones de esparsidad estructural de alta calidad en redes neuronales, logrando mejoras significativas en precisión y velocidad de inferencia en comparación con métodos existentes.
El artículo presenta MathScape, un nuevo benchmark que evalúa la capacidad de razonamiento matemático de los modelos de lenguaje multimodal en contextos reales mediante imágenes capturadas por humanos, revelando que incluso los modelos más avanzados tienen dificultades significativas en estas tareas y que el rendimiento en datos sintéticos no garantiza éxito en escenarios del mundo real.
El artículo presenta -Mesh, un marco de aprendizaje por refuerzo que mejora la reconstrucción de mallas a partir de NeRF mediante la síntesis de pseudo-supervisión en vistas diversas y una selección dinámica de perspectivas basada en UCB para optimizar simultáneamente la geometría y la apariencia.
El artículo presenta CT-AGRG, un modelo que mejora la generación automática de informes médicos a partir de tomografías computarizadas torácicas 3D al priorizar la detección de anomalías específicas antes de redactar descripciones dirigidas, logrando así una mayor calidad y relevancia clínica en comparación con los métodos existentes.
El artículo propone una representación geométrica novedosa que modela las formas 3D como distribuciones utilizando modelos de difusión, superando las limitaciones de los enfoques basados en redes neuronales tradicionales para capturar detalles finos y manejar estructuras complejas sin restricciones de topología.
El artículo presenta Speedy-Splat, un enfoque que acelera drásticamente la velocidad de renderizado, reduce el tamaño del modelo y disminuye el tiempo de entrenamiento de la técnica 3D Gaussian Splatting mediante la optimización del pipeline de renderizado para localizar Gaussians y la integración de una nueva técnica de poda.
El artículo presenta MEt3R, una nueva métrica independiente del muestreo que evalúa la consistencia multi-vista en imágenes generadas mediante la reconstrucción 3D densa y el análisis de similitud de características, permitiendo así comparar diversos métodos de generación de nuevas vistas y video.
Este artículo presenta una solución polinómica rápida y precisa para el problema de perspectiva de cuatro puntos, basada en una novedosa separación de variables que reduce el problema a uno de orientación absoluta, logrando ser un orden de magnitud más rápida que los algoritmos actuales con una precisión similar.
Este trabajo propone un marco de aprendizaje auto-supervisado que utiliza atributos espaciales y temporales de imágenes de Street View para aprender representaciones urbanas invariantes, superando a los métodos existentes en tareas como la estimación socioeconómica y la percepción humano-ambiental.
Este estudio presenta SAMRI-2, un modelo de visión fundacional basado en memoria que, mediante una estrategia de mezcla híbrida y propagación de máscaras, supera a otros enfoques de deep learning en la segmentación precisa y eficiente de cartílago y menisco en resonancias magnéticas 3D de la rodilla, reduciendo significativamente el esfuerzo de anotación y los errores morfométricos.
Este artículo presenta IVPT, el primer marco de ajuste de prompts visuales interpretables que vincula los prompts a prototipos de conceptos semánticos agnósticos a la categoría para generar explicaciones en múltiples capas de la red y mejorar tanto la interpretabilidad como el rendimiento en tareas de clasificación.
Este artículo presenta Hier-COS, un marco novedoso que utiliza la composición de subespacios ortogonales para generar representaciones de características jerárquicamente conscientes y consistentes, superando las limitaciones de las métricas de evaluación existentes mediante la propuesta de HOPS y logrando un rendimiento superior en clasificación jerárquica y de granularidad fina.
El artículo presenta SpHOR, un enfoque de aprendizaje de representaciones que mejora el reconocimiento de conjunto abierto mediante el diseño de un espacio de características con embebidos de etiquetas ortogonales, restricciones esféricas y técnicas de regularización, logrando resultados de vanguardia en la identificación de clases desconocidas.
El artículo presenta PSGait, un marco de reconocimiento de la marcha que introduce el "Parsing Skeleton" para fusionar esqueletos y siluetas, logrando una mayor precisión y generalización en escenarios reales con un menor costo computacional.
El artículo presenta VideoMind, un agente de video-idioma innovador que utiliza un flujo de trabajo basado en roles y un mecanismo de Cadena de LoRA para lograr un razonamiento temporalmente fundamentado en videos, demostrando un rendimiento superior en múltiples tareas de comprensión de video.