8619 artículos
El artículo presenta Meta-FC, un enfoque de meta-aprendizaje con consistencia de características que supera las limitaciones de las estrategias actuales al entrenar modelos de marcaje de agua más robustos y generalizables mediante la identificación de activaciones neuronales estables frente a diversas distorsiones.
Este artículo presenta un marco de aprendizaje llamado L2RP que estudia la propagación de errores en la anotación de videos de endoscopia para el esófago de Barrett y optimiza cuándo solicitar intervención experta, logrando así un equilibrio entre el esfuerzo humano y la precisión de la segmentación.
El artículo presenta DynamicGTR, un marco que mejora las capacidades de los modelos de visión y lenguaje en la respuesta a preguntas sobre grafos seleccionando dinámicamente la representación de topología de grafos óptima para cada consulta, logrando así un equilibrio adaptable entre precisión y brevedad sin necesidad de entrenamiento adicional.
El marco GFPL aborda los desafíos de la desequilibrio de datos y el alto costo de comunicación en el aprendizaje federado mediante la generación de prototipos con modelos de mezcla gaussiana, su agregación basada en la distancia de Bhattacharyya y una arquitectura de doble clasificador, logrando así una mayor precisión y eficiencia en tareas de visión por computadora.
Este trabajo presenta un sistema basado en una red neuronal UNet entrenada con el conjunto de datos personalizado más grande hasta la fecha para la detección precisa de puntos clave en conos en 3D, logrando mejoras significativas en la localización y el rendimiento de la navegación en carreras autónomas competitivas en comparación con los métodos tradicionales.
El artículo presenta NESS, un método de aprendizaje continuo que mitiga el olvido catastrófico al aplicar actualizaciones de parámetros restringidas a un espacio nulo aproximado construido a partir de los valores singulares más pequeños de las representaciones de entrada, permitiendo así la adaptación a nuevas tareas sin interferir significativamente con el conocimiento previo.
Este trabajo presenta "geometry-as-context", un marco autoregresivo que mejora la generación de videos coherentes con la escena al integrar la estimación de geometría y la síntesis de imágenes en un modelo único, superando las limitaciones de acumulación de errores y falta de diferenciabilidad de los métodos anteriores mediante un módulo de atención controlado por cámara y una estrategia de entrenamiento con eliminación aleatoria de contexto geométrico.
Este estudio presenta un marco automatizado basado en el modelo CARD-ViT que permite la detección y puntuación de calcio coronario en tomografías computarizadas no sincronizadas con electrocardiograma, logrando una generalización transversal efectiva desde datos sincronizados sin necesidad de entrenamiento en datos no sincronizados.
Este artículo presenta la Regularización de Difusión Ordinal Dirigida (D-ODR), un nuevo enfoque que modela la progresión de la retinopatía diabética como un flujo direccional irreversible mediante un grafo dirigido, logrando así una clasificación más precisa y biológicamente plausible al evitar transiciones reversas implausibles.
Este artículo presenta un marco de aprendizaje profundo ligero basado en MobileNetV3 y CORAL que, tras ser entrenado con imágenes de fondo combinadas de APTOS 2019 e IDRiD, logra una detección automatizada y eficiente de la retinopatía diabética en dispositivos móviles con un puntaje Kappa ponderado cuadrático de 0,9019.
Este trabajo presenta MVGFDR, un marco de fusión de grafos multi-vista que mejora la clasificación de la retinopatía diabética al desentrañar explícitamente las características visuales compartidas y específicas de cada vista mediante inicialización de grafos, fusión selectiva y reconstrucción enmascarada, superando así a los métodos existentes en el conjunto de datos MFIDDR.
El artículo presenta MindDriver, un marco de razonamiento multimodal progresivo que alinea la comprensión semántica, la imaginación espacial y la planificación de trayectorias mediante un pipeline de anotación automática guiado por retroalimentación y un ajuste fino por refuerzo progresivo, logrando un rendimiento superior en sistemas de conducción autónoma.
El artículo presenta GLoTran, un marco de percepción visual dual global-local para modelos de lenguaje multimodal que mejora la traducción de imágenes ricas en texto de alta resolución mediante la integración de contexto de escena y detalles finos, respaldado por el nuevo dataset a gran escala GLoD.
Este trabajo propone un método de inicialización de grafos de poses para la estructura a partir del movimiento que utiliza un grafo neuronal para priorizar globalmente las aristas candidatas, mejorando así la precisión y eficiencia de la reconstrucción en escenarios ambiguos y de alta velocidad.
Dream-SLAM es un nuevo método de SLAM activo monocromático que supera las limitaciones de los enfoques existentes al "soñar" con estructuras semánticas y vistas espaciotemporales de entornos dinámicos para mejorar la estimación de poses, la coherencia del mapa y la planificación de trayectorias a largo plazo.
El artículo presenta PanoEnv, un nuevo benchmark de preguntas y respuestas sobre entornos panorámicos 3D y un marco de aprendizaje por refuerzo basado en GRPO con un currículo de dos etapas, que mejora significativamente la inteligencia espacial 3D de los modelos de lenguaje visuales, logrando un rendimiento superior al de modelos mucho más grandes en tareas de razonamiento espacial.
El artículo presenta WoG (World Guidance), un marco que mejora la generación de acciones en modelos Visión-Lenguaje-Acción al mapear observaciones futuras en condiciones compactas dentro del espacio de inferencia, logrando así una modelización del mundo eficiente que supera a los métodos existentes en precisión y generalización.
Este trabajo presenta un método robusto para el reconocimiento de hitos kilométricos en metros autónomos mediante la integración de cámaras de eventos y modelos fundacionales preentrenados, respaldado por la creación del primer gran conjunto de datos multimodal RGB-Event llamado EvMetro5K.
Los autores proponen RT-RMOT, una nueva tarea de seguimiento de múltiples objetos referenciados que fusiona datos RGB y térmicos, presentando el primer conjunto de datos multimodal (RefRT) y un marco basado en modelos de lenguaje grandes (RTrack) optimizado con estrategias de aprendizaje por refuerzo para lograr un seguimiento robusto en condiciones de baja visibilidad.
El artículo presenta SPGen, un modelo de aprendizaje profundo que utiliza adaptación de dominio no supervisada y componentes estocásticos para predecir con mayor precisión los patrones de mirada humana en pinturas, cerrando la brecha entre escenas naturales y obras de arte.