8647 artículos
Sim2Radar es un marco de trabajo que cierra la brecha entre la simulación y la realidad en la percepción por radar de ondas milimétricas al sintetizar datos de entrenamiento a partir de imágenes RGB utilizando reconstrucción de escenas guiada por visión artificial y modelos físicos, logrando así mejoras significativas en la detección de objetos 3D mediante aprendizaje por transferencia.
Este trabajo presenta HERO, un nuevo paradigma que combina modelos de visión de gran vocabulario con un control preciso de extremo final basado en simulación para permitir a los robots humanoides manipular objetos arbitrarios en entornos del mundo real con una generalización superior.
Este estudio presenta el primer mapa de cultivos leñosos de 10 metros de resolución para Sudamérica, generado mediante aprendizaje profundo, que revela vínculos con la deforestación y corrige errores en los mapas regulatorios actuales que clasifican erróneamente la agricultura establecida como bosque, protegiendo así a los pequeños agricultores.
El artículo presenta EAGLE, un marco libre de ajuste que mejora la detección de anomalías industriales en modelos de lenguaje grandes multimodales mediante la guía de la atención con modelos expertos, logrando un rendimiento comparable a métodos de ajuste fino sin actualizar parámetros.
Este artículo propone un marco de aprendizaje basado en paseos aleatorios invariables a la probabilidad que clasifica redes de similitud cortical individualizadas utilizando pliegues giroideos, superando las limitaciones de alineación de nodos de los métodos existentes para mejorar el diagnóstico de la enfermedad de Alzheimer y la demencia con cuerpos de Lewy.
El artículo presenta MIRROR, un marco de razonamiento multimodal iterativo que reduce las alucinaciones y mejora la precisión mediante un proceso de reflexión en bucle cerrado que verifica y revisa las respuestas basándose en regiones visuales específicas, respaldado por el nuevo conjunto de datos ReflectV.
Este artículo presenta SymPL, un marco que mejora el razonamiento espacial allocéntrico en modelos de visión y lenguaje reformulando las relaciones espaciales en representaciones simbólicas estructuradas mediante proyección, abstracción, bipartición y localización.
El artículo presenta TraceVision, un modelo unificado visión-lenguaje que integra la comprensión espacial consciente de trayectorias mediante un módulo de percepción visual bidireccional y un nuevo conjunto de datos, logrando un rendimiento superior en tareas de generación de descripciones, localización y segmentación al simular la atención visual humana.
Este trabajo propone un marco de destilación dual con dos profesores para la teledetección multiespectral que alinea el aprendizaje de representaciones con modelos de visión óptica, logrando resultados de vanguardia en diversas tareas sin comprometer el rendimiento en datos ópticos.
Este trabajo presenta VBVR, un conjunto de datos y un marco de evaluación sin precedentes que, al ofrecer más de un millón de clips de video para 200 tareas de razonamiento, permite estudiar la escalabilidad de los modelos de video y observa signos tempranos de generalización emergente en el razonamiento espaciotemporal.
Mobile-O es un modelo multimodal unificado compacto que, gracias a su innovador Proyectador de Condicionamiento Móvil (MCP) y una eficiente estrategia de entrenamiento, permite la comprensión y generación de imágenes en tiempo real directamente en dispositivos móviles, superando en rendimiento y velocidad a modelos existentes como Show-O y JanusFlow.
El estudio presenta VISION-ICE, un marco basado en inteligencia artificial que utiliza redes neuronales convolucionales tridimensionales sobre videos de ecocardiografía intracardíaca (ICE) para localizar automáticamente el origen de las arritmias, demostrando una viabilidad clínica prometedora para reducir el tiempo y la carga de los procedimientos de ablación cardíaca.
OptimusVLA es un modelo de visión-lenguaje-acción jerárquico que introduce una memoria de prioridad global y una memoria de consistencia local para mejorar la eficiencia de inferencia y la robustez en la manipulación robótica, logrando tasas de éxito superiores y una aceleración de 2.9 veces en comparación con modelos de referencia en diversos entornos de simulación y del mundo real.
El artículo presenta UniLACT, un modelo de visión-lenguaje-acción que supera las limitaciones de los enfoques basados únicamente en RGB mediante un preentrenamiento con representaciones de acciones latentes unificadas y conscientes de la profundidad, logrando así una manipulación robótica más precisa y con mejores priores espaciales.
Este trabajo presenta un marco que combina la desrenderización de gráficos, el razonamiento con modelos de lenguaje visión-lingüístico y la mejora iterativa para ofrecer retroalimentación accionable y basada en principios sobre el diseño de visualizaciones, permitiendo a los usuarios corregir errores y generar figuras de mayor calidad.
N4MC es el primer marco de compresión neuronal 4D que aprovecha la redundancia temporal en secuencias de mallas mediante la conversión a tensores regulares, un auto-descodificador y un modelo de interpolación basado en transformadores, logrando un rendimiento superior en tasa-distorsión y una decodificación en tiempo real.
El artículo presenta Inspectorch, un marco de código abierto basado en modelos de flujo que utiliza estimación de densidad no supervisada para identificar eficientemente eventos raros y extremos en grandes volúmenes de datos de observaciones solares, optimizando así el uso de recursos computacionales.
El artículo propone GSNR, un método que mejora la resolución de problemas inversos en imágenes al incorporar información estructurada del espacio nulo mediante una representación de grafo suave, logrando mejoras significativas en la convergencia y la calidad de la reconstrucción en comparación con enfoques basados en priores generales o modelos aprendidos.
Este artículo presenta el primer marco de trazado de circuitos para modelos visión-idioma que, mediante el uso de transcodificadores y gráficos de atribución, revela y valida causalmente cómo estos modelos integran jerárquicamente conceptos visuales y semánticos para realizar razonamiento multimodal.
Este estudio presenta una arquitectura integral que transforma flujos de video de drones en reconstrucciones 3D fotorrealistas de gran escala en tiempo real mediante la fusión de estimación de poses y la técnica de 3D Gaussian Splatting, logrando un rendimiento de renderizado superior y una latencia significativamente menor en comparación con los enfoques basados en NeRF.