9809 artículos
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.
ROCKET es un marco de alineación de representaciones multi-capas basado en residuos que, mediante un proyector compartido y una estrategia de activación dispersa, mejora la comprensión espacial de los modelos de Visión-Lenguaje-Acción con un bajo costo computacional, logrando un rendimiento superior en tareas de manipulación robótica.
Este trabajo propone un marco unificado que integra características radiómicas seleccionadas a nivel global y de mapas paramétricos dentro de una red nnUNet mejorada, logrando un rendimiento superior en la detección del adenocarcinoma ductal pancreático (PDAC) y demostrando el valor complementario de los datos radiómicos para los modelos de aprendizaje profundo.
Este artículo presenta el marco MQAF, un enfoque de evaluación de calidad de imagen inspirado en la memoria humana que utiliza un banco de patrones de distorsión para realizar tanto evaluaciones con referencia completa como sin referencia, superando así las limitaciones de los métodos actuales que dependen de imágenes de referencia ideales.
Este trabajo presenta MUOT_3M, el primer conjunto de datos multimodal de seguimiento de objetos submarinos con 3 millones de frames, y propone MUTrack, un método basado en SAM que fusiona visión y lenguaje para transferir conocimiento multimodal a un modelo unimodal, logrando un rendimiento superior y una velocidad de 24 FPS en diversas condiciones submarinas.
Este artículo propone un enfoque centrado en modelos de lenguaje grandes llamado L-AVC, junto con una técnica de manipulación emocional eficiente y precisa (EPEM) que alinea la conversión semántica de las emociones y retiene el contenido agnóstico a estas, superando a los métodos actuales en la personalización visual afectiva.
Este artículo presenta DeepSVU, una nueva tarea de comprensión de video orientada a la seguridad que va más allá de la detección de amenazas para analizar sus causas, abordando el desafío de modelar información física mediante un enfoque innovador de expertos mezclados (MoE) unificado y regularizado (UPRM) que demuestra un rendimiento superior en conjuntos de datos especializados.
El artículo presenta UAOR, un módulo plug-and-play y sin entrenamiento que mejora los modelos de Visión-Lenguaje-Acción inyectando observaciones clave en las redes de alimentación frontal cuando la incertidumbre es alta, logrando así una generación de acciones más confiable sin necesidad de datos o componentes adicionales.
Este artículo presenta DiST, un marco innovador para el reconocimiento de acciones con pocos ejemplos que utiliza modelos de lenguaje grande para descomponer y compensar el conocimiento espacial y temporal, logrando así resultados de vanguardia en cinco conjuntos de datos estándar.
Este artículo presenta una estrategia de entrenamiento en dos fases que utiliza preentrenamiento auto-supervisado mediante reproyección diferenciable y pseudo-etiquetas semánticas para lograr una segmentación de marcas viales en vista cenital (BEV) de alta precisión, reduciendo a la mitad la necesidad de datos anotados y el tiempo de entrenamiento en comparación con los métodos supervisados tradicionales.
Este estudio presenta un marco de estimación de humedad del suelo a 10 metros de resolución en Europa que combina datos de Sentinel-1, Sentinel-2 y ERA-5 mediante aprendizaje automático, demostrando que los índices espectrales tradicionales con modelos de ensemble son tan efectivos como las representaciones de modelos fundacionales para esta tarea.
El artículo presenta DohaScript, un conjunto de datos a gran escala y multi-escritor de texto manuscrito hindi continuo, diseñado para superar las limitaciones de los recursos existentes mediante un corpus paralelo controlado que facilita el análisis de variaciones estilísticas y el avance en tareas de reconocimiento y generación de escritura en Devanagari.
El artículo presenta PrediT, un marco de aceleración sin entrenamiento para los Transformadores de Difusión que utiliza métodos de pasos múltiples lineales para predecir y saltar pasos de denoising, logrando una reducción de latencia de hasta 5.54 veces sin comprometer significativamente la calidad de la generación.
Este artículo presenta OODBench, un nuevo benchmark automatizado de 40.000 instancias para evaluar el rendimiento de los Modelos de Visión y Lenguaje ante datos fuera de distribución (OOD), revelando que los modelos actuales sufren un notable deterioro en estos escenarios y proponiendo una métrica de evaluación escalonada para medir su impacto en preguntas de diversa dificultad.