3915 articles
Cet article propose une méthode sans entraînement utilisant des modèles de langage multimodaux pour générer des images synthétiques de défauts d'isolateurs électriques, augmentant ainsi significativement la précision de la classification dans des scénarios de données réelles limitées.
Le papier TALON propose un cadre d'apprentissage adaptatif en temps réel qui surpasse les méthodes existantes basées sur le hachage pour la découverte de catégories à la volée, en évitant la fragmentation des classes grâce à une mise à jour dynamique des prototypes sémantiques et de l'encodeur, ainsi qu'à une calibration des logits.
Cette étude propose une approche de navigation vers un objet cible qui remplace les agents réactifs par une intelligence artificielle basée sur des cartes, en intégrant un LLM local (Llama-2) finetuné pour inférer des zones sémantiques dans un graphe topologique afin d'optimiser l'exploration et d'améliorer significativement les taux de réussite.
Ce papier présente DSH-Bench, un benchmark complet intégrant une taxonomie hiérarchique de sujets, une classification par difficulté et scénario, et une nouvelle métrique de cohérence d'identité (SICS) pour évaluer et guider l'amélioration des modèles de génération d'images text-to-image axés sur un sujet spécifique.
Le papier présente TrianguLang, un cadre d'inférence directe et sans calibration qui réalise une localisation 3D guidée par le texte en intégrant une attention sémantique sensible à la géométrie pour concilier précision, cohérence et efficacité computationnelle.
Cet article propose une méthode d'élagage adaptif des perceptrons multicouches (AMP) qui réduit d'environ 40 % les paramètres et les FLOPs des grands transformateurs de vision sans perte significative de performance, en utilisant un critère d'entropie informationnelle sans étiquette pour évaluer l'importance des neurones et un algorithme de recherche binaire pour déterminer automatiquement le taux de compression.
Le papier présente SAMoE-VLA, un modèle d'action visuelle et linguistique adaptatif qui améliore la sécurité et les performances de la conduite autonome en remplaçant le routage d'experts basé sur les tokens par un mécanisme conditionné aux représentations de scène en vue aérienne, tout en intégrant un mécanisme d'attention causale intermodale pour un raisonnement temporel cohérent.
Le papier présente FoleyFlow, une méthode innovante qui améliore la génération audio coordonnée à partir de vidéos en alignant les encodeurs audio-visuels via un apprentissage par masquage pour garantir la cohérence sémantique et rythmique, puis en utilisant un flux conditionnel dynamique pour générer l'audio.
Le papier présente UniGround, une méthode sans entraînement pour le repérage visuel 3D universel qui remplace les modèles pré-entraînés par un raisonnement géométrique et visuel libre d'entraînement afin de localiser des objets dans n'importe quel environnement 3D, établissant ainsi un nouvel état de l'art parmi les méthodes zero-shot.
Ce papier présente FLED-GS, un cadre rapide d'amélioration en faible luminosité et de défloutage pour la synthèse de nouvelles vues en 3D, qui reformule la restauration de scène comme un cycle alterné d'amélioration et de reconstruction pour surpasser les méthodes existantes tout en accélérant considérablement l'entraînement et le rendu.
L'article présente VesselFusion, un modèle de diffusion innovant qui améliore l'extraction des axes centraux des vaisseaux sanguins à partir d'images CT 3D en utilisant une représentation de la coarse à la fine et une agrégation par vote pour obtenir des résultats plus naturels et précis que les approches déterministes conventionnelles.
Ce papier présente MV-Fashion, un vaste jeu de données vidéo multi-vues contenant des captures synchronisées de vêtements portés et de leurs versions plates, enrichi d'annotations sémantiques et de propriétés matérielles pour combler le manque de données réalistes et annotées dans les tâches de essayage virtuel et d'estimation de taille.
L'article présente Edged USLAM, un système hybride de localisation et cartographie (SLAM) visuel-inertiel qui intègre un front-end sensible aux contours et un module d'estimation de profondeur pour surmonter les limitations des caméras événementielles et assurer une localisation robuste et précise dans des conditions d'éclairage difficiles et lors de mouvements variés.
Le papier présente MERLIN, un cadre d'entraînement novateur pour les modèles de langage multimodaux robustes aux faibles rapports signal-sur-bruit dans le domaine électromagnétique, accompagné de la création du jeu de données EM-100k et de la benchmark EM-Bench pour surmonter les défis de données, d'évaluation et de modélisation.
Le papier présente ALOOD, une méthode innovante qui exploite les représentations linguistiques d'un modèle vision-langage pour transformer la détection d'objets hors distribution (OOD) en LiDAR en une tâche de classification zéro-shot, améliorant ainsi la sécurité des systèmes de conduite autonome.
Le papier présente Fusion-Poly, un cadre de fusion spatio-temporelle innovant pour le suivi 3D multi-objets qui exploite efficacement les données LiDAR et caméra asynchrones pour atteindre un état de l'art sur le jeu de données nuScenes.
Ce papier propose MM-TS, une méthode de schedule dynamique de température et de marge pour l'apprentissage contrastif multimodal sur des données à longue traîne, qui améliore les performances en adaptant les forces d'attraction et de répulsion selon la densité locale des échantillons et en unifiant les approches InfoNCE et à marge maximale.
Cette étude propose deux stratégies de fusion multimodale, RGIF et RGMAF, qui intègrent l'alignement spatial et un mécanisme d'attention pondéré par la fiabilité pour améliorer significativement la détection d'UAV en combinant des données thermiques et visuelles hétérogènes.
Le papier présente Video2LoRA, un cadre unifié et économe en ressources qui utilise un hyper-réseau léger pour générer dynamiquement des poids LoRA personnalisés à partir d'une vidéo de référence, permettant ainsi une génération vidéo sémantiquement alignée et généralisable sans nécessiter d'entraînement par condition.
Le papier propose SAVE, une nouvelle méthode d'apprentissage de représentations vidéo-sonores qui améliore les performances de la recherche vidéo-texte en intégrant un branchement dédié au traitement de la parole et une alignement précoce vision-son, surpassant ainsi les méthodes actuelles sur plusieurs benchmarks.