9956 artículos
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.
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.