3620 articles
Cette étude évalue l'utilisation de DINOv3 comme backbone sémantique figé pour les tâches de perception visuelle liées à la récolte robotisée de myrtilles, révélant que si la segmentation bénéficie de ses représentations stables, la détection et la localisation des grappes restent limitées par la variabilité d'échelle et la nécessité d'une modélisation spatiale adaptée.
Cet article présente une méthode sans calcul de gradient, utilisant GramCol et un algorithme de sélection de caractéristiques pour générer des cartes d'attention motrices interprétables (IMAP) qui localisent spatio-temporellement les concepts de mouvement dans les Transformers de diffusion vidéo.
Ce papier propose CGL, un cadre d'apprentissage continu pour les agents d'interface graphique qui combine l'ajustement fin supervisé et l'apprentissage par renforcement via un mécanisme d'ajustement dynamique et une chirurgie des gradients pour surmonter l'oubli catastrophique lors de l'adaptation aux mises à jour fréquentes des applications.
Ce papier présente LDP-Slicing, un cadre léger et sans entraînement qui améliore l'utilité des images sous la protection de la confidentialité différentielle locale (LDP) en décomposant les valeurs des pixels en plans de bits binaires, en intégrant une module d'obfuscation perceptuelle et une allocation optimisée du budget de confidentialité.
Ce papier présente DeepScope, une solution innovante basée sur l'apprentissage profond qui analyse instantanément des images microscopiques d'échantillons d'eau non incubés pour détecter la contamination fécale avec une précision de 93 % et un coût réduit à 0,44 $ par test, surpassant ainsi les exigences de l'UNICEF.
L'article présente OptiRoulette, un méta-optimiseur stochastique qui sélectionne dynamiquement des règles de mise à jour lors de l'entraînement, permettant une convergence jusqu'à 5,3 fois plus rapide et une précision supérieure par rapport à AdamW sur plusieurs jeux de données d'images.
Cet article propose une représentation unifiée des modèles de diffusion et de l'appariement de flux via deux équations linéaires simples, révélant par une analyse théorique que la corrélation parfois faible entre les données bruitées et la cible prédite peut nuire au processus d'apprentissage de ces modèles.
Le papier présente RECAP, une stratégie d'apprentissage bio-inspirée qui associe la dynamique d'un réservoir non entraîné à une lecture auto-organisée par prototypes hebbiens pour réaliser une classification d'images robuste sans recours à la rétropropagation de l'erreur.
Cet article révèle que l'effacement par élagage des modèles de diffusion est vulnérable à une attaque de « résurrection de concept » totalement sans données ni réentraînement, car les positions des poids élagués peuvent servir de canal latéral pour restaurer les concepts supprimés, incitant ainsi à développer des mécanismes d'élagage plus sûrs qui masquent ces localisations.
Cet article présente ObjChangeVR, un cadre et un jeu de données dédiés au raisonnement sur les changements d'état d'objets dans des environnements de réalité virtuelle à partir de vues égocentriques continues, en surmontant les défis liés aux changements non interactifs et à l'absence de benchmarks existants.
Cette étude propose un cadre de cohérence des marges intégrant un score de fidélité aux perturbations pour améliorer la robustesse et la précision du sous-typage de l'adénocarcinome pulmonaire invasif à partir d'images de lames entières, démontrant des performances supérieures et une bonne généralisation sur des benchmarks externes.
Le papier présente PaLMR, un cadre qui améliore la fiabilité du raisonnement visuel des modèles multimodaux en alignant non seulement les réponses finales mais aussi le processus de raisonnement grâce à une couche de données perceptives et une optimisation par récompense hiérarchique, réduisant ainsi les hallucinations tout en obtenant des résultats de pointe sur plusieurs benchmarks.
Ce papier présente FCBNet, un modèle efficace pour la segmentation des mauvaises herbes basé sur un backbone ConvNeXt figé et un bloc de correction de caractéristiques, qui surpasse les architectures existantes en précision et en efficacité computationnelle sur des images aériennes multispectrales.
Le papier présente GameVerse, une nouvelle référence de jeux vidéo conçue pour évaluer la capacité des modèles vision-langage à améliorer leurs stratégies grâce à un cycle d'apprentissage par réflexion vidéo, démontrant que la combinaison des trajectoires d'échec et des tutoriels experts permet d'optimiser leurs performances sans apprentissage par renforcement.
Ce papier présente ASMIL, un cadre unifié qui stabilise la dynamique d'attention dans l'apprentissage multiple instance pour l'imagerie de lames entières en utilisant un modèle ancre et une fonction sigmoïde normalisée, surmontant ainsi l'instabilité, le surapprentissage et la concentration excessive de l'attention pour améliorer significativement les performances de diagnostic.
Ce papier présente EnsAug, une nouvelle méthode d'apprentissage qui améliore l'analyse des mouvements humains en entraînant un ensemble de modèles spécialisés sur des transformations géométriques distinctes, surpassant ainsi les approches conventionnelles et atteignant des performances de pointe sur des tâches de reconnaissance de la langue des signes et d'activités humaines.
Le papier présente HyperTokens, une méthode utilisant un générateur de tokens et des régularisations inspirées du méta-apprentissage pour maîtriser la dynamique des tokens et réduire l'oubli dans la compréhension vidéo-linguistique continue, tout en maintenant une mémoire fixe et en améliorant les performances sur des benchmarks standards et des protocoles de transfert transmodal.
Le papier propose Graph-of-Mark (GoM), une technique de prompt visuel au niveau des pixels qui superpose des graphes de scène aux images pour améliorer la capacité de raisonnement spatial des modèles de langage multimodaux en capturant les relations entre les objets, surpassant ainsi les méthodes existantes comme Set-of-Mark.
Ce papier présente une méthode d'optimisation système pour l'inférence de modèles de génération vidéo basés sur les Diffusion Transformers, utilisant un encodage de position 3D séquentiel-parallèle avec un index temporel global pour réduire la latence et l'empreinte mémoire tout en permettant une génération vidéo quasi temps réel.
Cette étude révèle que l'approche « chaîne de pensée » (CoT) dégrade souvent les performances des modèles vision-langage en médecine en raison d'un goulot d'étranglement perceptif, et propose des interventions d'ancrage visuel pour restaurer la précision diagnostique.