8844 artículos
El artículo presenta el conjunto de datos Rotterdam Artery-Vein (RAV), una colección diversa de imágenes de fondo de ojo con anotaciones detalladas y validadas de arterias y venas, diseñada para entrenar y evaluar algoritmos de aprendizaje automático capaces de analizar la vasculatura retiniana en condiciones reales y variables.
Este estudio propone un marco escalable de agregación de características residuales con optimización metaheurística híbrida que integra segmentación avanzada, extracción de características profundas y un clasificador híbrido ViT-EfficientNet para lograr una detección temprana y robusta de neoplasias pancreáticas en imágenes TC multimodales con una precisión superior al 96%.
Este artículo presenta GEPC, un método libre de entrenamiento que detecta datos fuera de distribución en modelos de difusión midiendo la inconsistencia de las transformaciones de la función de puntuación bajo grupos de simetría, logrando un rendimiento competitivo y mapas interpretables sin depender de la magnitud de la puntuación.
Este artículo presenta un marco de aprendizaje por refuerzo que utiliza la representación de Splatting Gaussiano 3D relightable para entrenar drones en simulaciones con iluminación variable, logrando una navegación robusta y sin ajustes previos en bosques reales bajo condiciones de luz cambiantes.
El estudio presenta MammoColor, un marco que utiliza codificación cromática orientada a tareas para convertir mamografías en vistas de color, demostrando que esta técnica mejora la sensibilidad y especificidad de los radiólogos, especialmente en mamas densas, al reducir los falsos positivos.
Este artículo investiga cómo los modelos de visión y lenguaje pueden mejorar la seguridad en la conducción autónoma mediante tres enfoques complementarios: detección de riesgos semánticos, integración en la planificación de trayectorias y el uso de instrucciones en lenguaje natural como restricciones de comportamiento, concluyendo que el éxito depende de un diseño de sistema cuidadoso y una fundamentación estructurada más que de la inyección directa de características.
El artículo presenta ToaSt, un marco desacoplado que combina la poda estructurada acoplada por cabezas en los módulos de atención y la selección de canales de tokens en las redes feed-forward para lograr una reducción eficiente de los FLOPs en Vision Transformers sin comprometer la precisión.
ReasonNavi es un marco de navegación embebida zero-shot inspirado en el razonamiento humano que combina modelos de lenguaje multimodal con planificadores deterministas para convertir mapas globales en trayectorias ejecutables sin necesidad de ajuste fino.
El estudio introduce FlipSet, un nuevo benchmark que revela que la mayoría de los modelos de visión y lenguaje adolecen de un sesgo egocéntrico y carecen de la capacidad para integrar la conciencia social con operaciones espaciales, lo que les impide realizar correctamente la toma de perspectiva visual de nivel 2.
El marco de trabajo "Lightning" mejora la percepción robótica en condiciones de baja iluminación mediante un control de iluminación en bucle cerrado que combina un modelo de reiluminación, optimización offline y aprendizaje por imitación para generar políticas en tiempo real que aumentan la robustez del SLAM visual y reducen el consumo energético.
Este trabajo propone el marco MSBA-CLIP, que combina una estrategia de aumento de mezcla suave multivariada con la alineación imagen-texto de CLIP para mejorar la precisión y la generalización en la detección de deepfakes frente a diversas técnicas de falsificación.
Este artículo presenta la primera encuesta exhaustiva sobre métodos de superresolución de LiDAR basados en aprendizaje profundo para la conducción autónoma, clasificando las aproximaciones existentes, estableciendo conceptos fundamentales y analizando tendencias actuales y desafíos futuros para facilitar el despliegue práctico.
Esta revisión sintetiza el panorama emergente de los modelos fundacionales en imágenes médicas, analizando sus principios de diseño, aplicaciones y los desafíos futuros para garantizar su desarrollo responsable y su traducción clínica efectiva.
El artículo presenta MaS-VQA, un marco de aprendizaje profundo que mejora la respuesta a preguntas visuales basadas en conocimiento mediante un mecanismo de enmascaramiento y selección que filtra el ruido en la información visual y externa para optimizar la integración de conocimientos explícitos e implícitos.
El artículo presenta ROIX-Comp, un marco basado en regiones de interés que optimiza la estrategia de imagen de tomografía computarizada de rayos X mediante cuantización con límites de error y compresión híbrida, logrando una reducción significativa del volumen de datos y una mejora de 12,34 veces en la relación de compresión frente a los métodos estándar.
El artículo presenta EarthSpatialBench, un nuevo benchmark integral que evalúa la capacidad de razonamiento espacial de los modelos de lenguaje multimodal en imágenes terrestres mediante más de 325.000 pares de preguntas y respuestas que abordan el razonamiento cuantitativo de distancias y direcciones, relaciones topológicas sistemáticas y geometrías complejas, superando las limitaciones de las evaluaciones existentes.
El artículo presenta DreamZero, un modelo de acción mundial basado en difusión de video que supera a los modelos VLA actuales al aprender dinámicas físicas para lograr una generalización cero-shot superior y transferencias entre diferentes cuerpos robóticos mediante demostraciones de video o datos de juego limitados.
Este artículo examina en profundidad el uso de algoritmos de aprendizaje profundo para la detección de objetos en tiempo real, analizando modelos destacados, conjuntos de datos de referencia, aplicaciones prácticas y desafíos futuros mediante estudios comparativos.
Este artículo presenta un ataque de inyección de memoria visual sigiloso que permite a un adversario manipular el comportamiento de modelos de lenguaje y visión a gran escala en conversaciones multi-turno mediante imágenes perturbadas, activando mensajes específicos solo bajo un prompt desencadenante.
Este trabajo presenta DocSplit, el primer conjunto de datos de referencia integral y un enfoque de evaluación novedoso para el reconocimiento y división de paquetes de documentos, abordando desafíos del mundo real mediante la formalización de la tarea y la demostración de las limitaciones actuales de los modelos de lenguaje multimodales en este dominio.