2363 artículos
Este artículo propone un marco de adaptación zero-shot para la recuperación de imágenes compuestas que aprovecha la supervisión semántica estructurada de imágenes no etiquetadas para mejorar el rendimiento de la recuperación detallada en dominios con escasez de anotaciones sin depender de tripletas anotadas manualmente.
Este artículo propone MESFusion, un marco novedoso que aborda los desafíos de la distribución de características heterogéneas y la integración adaptativa en la fusión de imágenes médicas multimodales mediante la combinación de un módulo de Mejora Sensible a la Modalidad, un módulo Mamba de Puerta Espacial para la captura de dependencias de largo alcance y un módulo de Fusión Adaptativa Guiada por Estadística para lograr una fusión robusta y de alta calidad a través de diversos conjuntos de datos.
Este artículo propone una estrategia de recalibración de características ligera que mejora la precisión de la regresión de contornos de Fourier para la detección de objetos en teledetección al enfatizar adaptativamente los canales relevantes en la rama de regresión de coeficientes, logrando ganancias significativas de rendimiento en múltiples bancos de pruebas con un sobrecoste computacional insignificante.
Este artículo propone un marco de dominio dual espacio-frecuencia con un mecanismo de fusión dinámica restringida para equilibrar eficazmente el modelado de la estructura global y la preservación de los detalles locales, logrando así un rendimiento de vanguardia en el desenfoque de movimiento mientras se suprimen los artefactos de oscilación.
Este artículo propone un Marco de Cifrado Explicable y Consciente de la Sensibilidad que utiliza un modelo de Bosque Aleatorio con interpretabilidad SHAP para evaluar dinámicamente la sensibilidad del correo electrónico y aplicar un cifrado híbrido adaptativo AES–ECC, equilibrando así la eficiencia computacional con una protección robusta para las comunicaciones empresariales.
Este artículo propone Agentic CAMA-DRL, un marco de aprendizaje por refuerzo profundo multiagente sensible al contexto que coordina a operadores de entrega, estaciones de carga, planificadores de flotas y reguladores ambientales para optimizar la carga de bicicletas eléctricas en la logística de última milla urbana, logrando mejoras significativas en la utilización de la flota, la puntualidad, la reducción de la congestión y las emisiones de CO2 en comparación con los enfoques tradicionales basados en reglas.
Este estudio propone un flujo de trabajo generalizable de siete pasos para el aprendizaje de ensamble por apilamiento en la minería de datos educativos que, mediante una rigurosa validación interinstitucional y una auditoría de fuga de datos, revela que la complejidad algorítmica por sí sola no puede garantizar la precisión predictiva y subraya la necesidad crítica de la calibración institucional y el rigor metodológico.
Este artículo propone HDFC-ASS, un algoritmo evolutivo asistido por sustituto difuso cooperativo de clasificación-regresión que integra una estrategia de Kriging guiada por la correlación de variables, un mecanismo de explotación local asistido por clasificador difuso y un criterio cooperativo de convergencia-diversidad-incertidumbre para resolver eficazmente problemas de optimización multiobjetivo de alta dimensión y costosos bajo presupuestos de evaluación estrictos.
Este estudio propone una CNN ligera basada en MobileNetV2 para la evaluación cutánea multiparamétrica mediante imágenes faciales con iluminación múltiple, demostrando el potencial del enfoque al tiempo que destaca las limitaciones actuales en la extracción de características y el rendimiento debido al desequilibrio del conjunto de datos y al pequeño tamaño de la muestra.
Este estudio propone un modelo de aprendizaje profundo de ensamble que combina InceptionResNetV2 y ResNet-18, entrenado con datos de mamografías nigerianas de origen local, el cual alcanzó una precisión del 99.26% en la clasificación del cáncer de mama en categorías BI-RADS, superando a los modelos individuales y resaltando la importancia de utilizar conjuntos de datos localmente representativos para el desarrollo de la IA.