7808 artículos
Este artículo presenta DSS, un mecanismo progresivo sin entrenamiento que mejora la segmentación de objetos camuflados de cero disparos mediante la generación de propuestas, su refinamiento con SAM y la selección óptima de máscaras asistida por MLLMs, logrando un rendimiento superior al estado del arte.
El artículo presenta RL-RIG, un marco de aprendizaje por refuerzo que integra reflexión intrínseca y un paradigma de generar-reflexionar-editar para superar las limitaciones de razonamiento espacial en la generación de imágenes, logrando una precisión estructural superior a los modelos existentes.
El artículo presenta RADE-Net, una red de atención robusta y ligera que utiliza proyecciones 3D de tensores RADE para lograr una detección de objetos superior en condiciones climáticas adversas, superando a los enfoques actuales de radar y a varios métodos basados en lidar.
El artículo presenta Token-UNet, un modelo de segmentación 3D para imágenes cerebrales que integra módulos TokenLearner y TokenFuser en una arquitectura UNet para lograr una mayor eficiencia computacional y interpretabilidad, superando el rendimiento del SwinUNETR con una fracción significativa de sus recursos de memoria y tiempo de inferencia.
Este artículo presenta el conjunto de datos DAPWH, una colección curada de 3.556 imágenes de alta resolución de avispas parasitoides y otros himenópteros, que incluye un subconjunto anotado en formato COCO para facilitar el desarrollo de sistemas automatizados de identificación taxonómica.
Este estudio presenta un marco de control cerebro-robot para la decodificación offline de comandos de conducción mediante señales EEG, demostrando que el modelo ShallowConvNet supera a otras arquitecturas de aprendizaje profundo en la predicción de intenciones de navegación de un rover robótico.
Este trabajo identifica la existencia de la brecha de modalidad en el alineamiento multimodal médico y propone un marco agnóstico a la modalidad que la cierra, mejorando así la alineación semántica entre imágenes de radiología y texto clínico para tareas como la recuperación cruzada y la generación de descripciones.
El artículo presenta SEAL-pose, un marco de aprendizaje profundo que mejora la estimación de la pose humana en 3D mediante una red de pérdida aprendida que evalúa la plausibilidad estructural y captura dependencias complejas entre articulaciones sin depender de priores manuales.
El artículo presenta AdvMark, un marco de ajuste fino en dos etapas que desacopla las estrategias de defensa para superar las vulnerabilidades de la marca de agua en imágenes basada en aprendizaje profundo, logrando simultáneamente una mayor robustez frente a ataques adversarios, de regeneración y distorsión sin comprometer la precisión en datos limpios ni la calidad visual.
Este artículo presenta un marco de planificación basado en restricciones impulsado por modelos de lenguaje grande que permite a un robot móvil con capacidades de manipulación resolver el problema de navegación interactiva de por vida en entornos desordenados, logrando una generalización cero-shot al razonar sobre un grafo de escena estructurado y combinar la percepción activa con la ejecución de movimientos para despejar rutas y completar tareas secuenciales de colocación de objetos.
El artículo presenta HeatPrompt, un marco de modelado energético visión-lingüístico de cero disparos que estima la demanda de calor anual a partir de imágenes satelitales y datos GIS básicos, logrando una mejora significativa en la precisión respecto a los modelos basales y ofreciendo una solución ligera para la planificación térmica en regiones con escasez de datos.
Este artículo identifica y denomina "Efecto del Gorila Invisible" a un sesgo previamente no reportado en la detección de datos fuera de distribución, donde el rendimiento de los modelos mejora significativamente cuando los artefactos difíciles de detectar comparten similitud visual con la región de interés del modelo, pero cae drásticamente cuando difieren, como se demostró mediante la evaluación de 40 métodos en múltiples conjuntos de datos y contrafactuales de color.
El artículo presenta SemanticNVS, un modelo de difusión multi-vista condicionado por la cámara que integra extractores de características semánticas preentrenados para mejorar significativamente la calidad y consistencia de la síntesis de vistas novedosas, especialmente en movimientos de cámara a larga distancia donde los métodos existentes suelen fallar.
Este artículo presenta la primera evaluación sistemática de modelos de lenguaje y visión-langaje para verificar y corregir principios de visualización de datos, revelando que, aunque son prometedores como validadores flexibles, presentan una asimetría donde son más eficaces corrigiendo errores que detectándolos, y aún muestran una brecha frente a los solucionadores simbólicos en aspectos perceptivos sutiles.
Este artículo sintetiza cómo el aprendizaje no supervisado y auto-supervisado está superando la dependencia de la anotación experta en biomedicina, permitiendo el descubrimiento de nuevos fenotipos y la detección de anomalías en grandes conjuntos de datos biológicos con un rendimiento que rivaliza o supera a los métodos supervisados tradicionales.
Este trabajo presenta el primer benchmark integral para evaluar algoritmos de olvido machine en Vision Transformers, comparando su rendimiento frente a CNNs y estableciendo una línea base reproducible que analiza el impacto de la memorización de datos en diferentes arquitecturas y protocolos de olvido.
El artículo presenta NovaPlan, un marco jerárquico que combina la planificación de lenguaje visual en bucle cerrado con la ejecución robótica geométricamente fundamentada para lograr la manipulación de largo alcance sin necesidad de demostraciones previas ni entrenamiento, permitiendo la recuperación autónoma de errores mediante la generación y análisis de videos.
Este estudio presenta la primera evaluación sistemática de modelos de lenguaje grandes (LLM) como validadores flexibles de reglas de visualización de datos, demostrando que, aunque logran alta adherencia y detectan eficazmente violaciones comunes, su rendimiento disminuye significativamente en reglas perceptuales sutiles y frente a formulaciones técnicas simbólicas en comparación con los solucionadores tradicionales.
Este artículo propone un método unificado basado en optimización que, aprovechando un modelo de contacto diferenciable y un solucionador eficiente, estima simultáneamente las formas y poses de múltiples objetos rígidos en entornos desordenados para generar escenas listas para simulación.
Flow3r es un marco de aprendizaje de geometría visual escalable que utiliza predicción de flujo factorizada a partir de videos monoculares no etiquetados para lograr resultados de vanguardia en la reconstrucción de escenas estáticas y dinámicas, superando la dependencia de costosas anotaciones de geometría y pose.