9763 artículos
El artículo presenta LGQ, un tokenizador de imágenes discreto que aprende la geometría de cuantización de forma end-to-end mediante asignaciones suaves controladas por temperatura y regularizadores de uso, logrando una optimización estable y una utilización equilibrada del código que supera a métodos existentes como FSQ y SimVQ en fidelidad y eficiencia.
El artículo presenta UncL-STARK, un enfoque que adapta dinámicamente la profundidad de inferencia de rastreadores visuales basados en transformadores mediante estimaciones de incertidumbre, logrando reducciones significativas en costos computacionales, latencia y consumo energético sin comprometer la precisión del seguimiento.
El paper presenta WeWrite, un marco innovador de reescritura de consultas para búsqueda de video que utiliza una estrategia de minería posterior para determinar cuándo personalizar, un entrenamiento híbrido (SFT y GRPO) para optimizar cómo reescribir y una arquitectura de "Fake Recall" para garantizar baja latencia, logrando mejoras significativas en el volumen de clics y la reducción de reformulación de consultas en pruebas A/B a gran escala.
Este trabajo presenta un marco de pronóstico probabilístico basado en transformadores que combina series temporales de NDVI escasas con covariables meteorológicas, utilizando una pérdida de cuantiles ponderada por distancia temporal y ingeniería de características climáticas para superar los desafíos de la cobertura de nubes y mejorar la precisión en la predicción de la dinámica de la vegetación a nivel de campo.
El artículo presenta Robust-MMR, un marco de pre-entrenamiento auto-supervisado que integra objetivos de robustez explícitos para generar representaciones médico-visuales invariantes al dominio, logrando mejoras significativas en tareas de razonamiento clínico y recuperación de imágenes bajo condiciones de desplazamiento de dominio y perturbaciones.
Esta tesis demuestra la eficacia de CLICK-SPOT, un método de detección de objetos basado en imágenes aplicado a transformaciones avanzadas de wavelet, para la detección y clasificación automática de los clics de ecolocalización de orcas noruegas, superando las limitaciones de los espectrogramas tradicionales en entornos bioacústicos complejos.
Este trabajo presenta KPM-Bench, un nuevo conjunto de datos y marco de evaluación para la comprensión de movimientos en video que, mediante un pipeline de anotación automática basado en cinemática y el algoritmo MoPE, aborda las limitaciones actuales en la descripción detallada de acciones y mitiga sistemáticamente las alucinaciones en modelos de generación de subtítulos.
El artículo presenta CLUTCH, un sistema basado en modelos de lenguaje grande que, junto con el nuevo conjunto de datos 3D-HIW y técnicas innovadoras como SHIFT, logra un modelado de movimiento de manos condicionado por texto con alta fidelidad en entornos naturales, superando las limitaciones de los métodos anteriores restringidos a estudios.
Este artículo presenta PRISM, un marco de aprendizaje auto-supervisado que utiliza mapas de bordes y la descomposición de luminancia para mejorar la estimación de profundidad y pose en colonoscopias monocular, demostrando que el entrenamiento con datos reales supera al supervisado con datos sintéticos y resaltando la importancia crítica de la tasa de cuadros del video.
El artículo presenta LGD-Net, una red neuronal dual innovadora que utiliza conocimiento específico del dominio para predecir con alta precisión y eficiencia los niveles de expresión de HER2 en cáncer de mama directamente a partir de imágenes H&E, evitando los costos y artefactos asociados a la tinción virtual a nivel de píxel.
Este artículo presenta un marco innovador que evalúa los modelos de aprendizaje profundo VGG16 y DenseNet201 para la detección precisa del cáncer de piel, logrando una precisión del 93,79% con DenseNet201 en un conjunto de datos binario de 3297 imágenes.
Este trabajo propone un enfoque innovador y sin entrenamiento adicional que integra modelos de lenguaje visuales con el Segment Anything Model (SAM) para lograr una segmentación semántica de imágenes de teledetección basada en texto, superando el estado del arte en tareas de vocabulario abierto, referencia y razonamiento mediante estrategias contrastivas y generativas.
Este trabajo presenta un marco de segmentación de cáncer de próstata en imágenes de resonancia magnética que combina aprendizaje por refuerzo y crecimiento de regiones guiado por puntos del usuario, logrando una precisión comparable a la de expertos con un esfuerzo de anotación diez veces menor y superando a los métodos automatizados actuales.
Este trabajo presenta VQPP, el primer benchmark para la predicción del rendimiento de consultas en la recuperación de video basada en contenido, que incluye conjuntos de datos y sistemas para evaluar predictores y demostrar su utilidad en tareas como la reformulación de consultas mediante modelos de lenguaje grandes.
Este trabajo presenta el Estimador de Prioridad Neuronal (NPE), un marco teórico y práctico que aprende estimaciones de log-prior basadas en representaciones latentes para corregir el sesgo inducido por el desequilibrio de clases mediante ajuste de logits, logrando mejoras consistentes en tareas de clasificación y segmentación semántica sin requerir conteos de clases explícitos.
Este artículo demuestra que los resultados de casi perfecta precisión en el reconocimiento de gestos para operaciones de rescate con UAV, reportados por Liu y Szirányi, son inválidos debido a una fuga de datos causada por una división aleatoria de entrenamiento y prueba a nivel de cuadro que no garantiza la generalización a sujetos no vistos, subrayando así la necesidad crítica de una partición de datos independiente del sujeto.
El artículo presenta TopoGate, un modelo ligero e interpretable que utiliza una fusión gating controlada por la calidad de la imagen, la consistencia de registro y la estabilidad topológica para mejorar la predicción de nuevas lesiones en seguimientos longitudinales de TC de baja dosis, logrando un mejor rendimiento y una mayor fiabilidad al priorizar la apariencia visual cuando la calidad de la imagen se degrada.
Este artículo presenta un marco de extremo a extremo que combina un muestreador de video adaptativo basado en densidad de información y un compresor espacio-temporal para permitir una comprensión eficiente y precisa de videos de larga duración en modelos multimodales grandes.
Este estudio revela que, aunque los modelos de visión-idioma han avanzado en diversas tareas, su rendimiento en clasificación visual de granularidad fina depende desproporcionadamente de la calidad del codificador visual y de la etapa de preentrenamiento, en lugar de mejorar uniformemente con modelos de lenguaje más potentes.
Este trabajo presenta un marco de reconstrucción de profundidad multimodal que utiliza mediciones de rango escasas, como radar o LiDAR, para generar mapas de profundidad densos y cuantificar la incertidumbre, mejorando así significativamente la consistencia geométrica y la calidad visual en la síntesis de nuevas vistas basada en difusión sin modificar el modelo generativo subyacente.