7545 articles
Cet article présente un système de tri textile automatisé piloté par un jumeau numérique qui intègre la perception multimodale et le raisonnement de modèles visuels et linguistiques (VLM) pour classer les vêtements et détecter les objets étrangers avec une grande précision dans des environnements industriels réalistes.
Ce papier présente ICHOR, une approche d'apprentissage auto-supervisé basée sur des auto-encodeurs masqués 3D et entraînée sur un vaste ensemble de données multi-sites, qui permet d'obtenir des représentations robustes pour les cartes de débit sanguin cérébral en IRM de perfusion par marquage de spin artériel (ASL) et surpasse les méthodes existantes dans diverses tâches diagnostiques et de prédiction de qualité.
Le CATNet est un cadre adaptatif de perception coopérative qui résout les défis de la latence temporelle et du bruit multi-source grâce à une synchronisation spatio-temporelle, un débruitage par ondelettes et une sélection de caractéristiques dynamique, surpassant ainsi les méthodes existantes dans des conditions de trafic complexes.
Le papier présente Wiki-R1, un cadre d'apprentissage par renforcement à curriculum qui améliore l'état de l'art en VQA basé sur les connaissances en générant et en échantillonnant des données de difficulté progressive pour optimiser le raisonnement des modèles multimodaux.
Cette étude démontre que pour optimiser la détection hors distribution dans les Vision Transformers, il est préférable de combiner l'analyse des couches intermédiaires et des modules spécifiques, en privilégiant les activations du réseau feed-forward lors de forts décalages de distribution et les sorties normalisées de l'attention multi-têtes lorsque le décalage est faible.
Le papier présente WebChain, le plus grand ensemble de données open-source de traces d'interaction web annotées par des humains, qui permet d'entraîner des agents web performants grâce à une alignement triple des données visuelles, structurelles et d'action, ainsi qu'à une méthode d'entraînement dual décorrélant l'ancrage spatial de la planification.
Le papier présente Fusion4CA, une méthode de détection d'objets 3D qui améliore le cadre BEVFusion en exploitant pleinement les données RGB via des modules d'alignement contrastif, une branche auxiliaire et des adaptateurs cognitifs, permettant d'atteindre une performance supérieure avec moins d'époques d'entraînement et une augmentation minimale des paramètres.
Ce papier présente SpectralCache, une méthode d'accélération sans entraînement pour les Transformers de diffusion qui exploite les non-uniformités temporelles, de profondeur et fréquentielles du processus de débruitage pour atteindre un gain de vitesse de 2,46x tout en préservant la qualité de l'image.
Le papier présente Dark3R, un cadre novateur permettant la reconstruction 3D et la synthèse de nouvelles vues dans des conditions de très faible luminosité (SNR < -4 dB) en adaptant des modèles de fondation 3D via une distillation enseignant-élève et en s'entraînant uniquement sur des paires d'images brutes bruitées et propres, sans supervision 3D.
OpenFrontier est un cadre de navigation sans entraînement qui permet aux robots de se déplacer efficacement dans des environnements ouverts en utilisant des frontières visuelles comme ancres sémantiques pour intégrer des modèles vision-langage, éliminant ainsi le besoin de reconstruction 3D dense ou d'affinage spécifique.
Cet article présente ORMOT, une nouvelle tâche de suivi multi-objets omnidirectionnel guidé par le langage, accompagnée du jeu de données ORSet et du cadre ORTrack basé sur un modèle vision-langage de grande taille, conçus pour surmonter les limitations du champ de vue des méthodes existantes.
Le papier propose Fusion-CAM, un cadre innovant qui fusionne de manière adaptative les cartes d'activation de classe basées sur les gradients et les régions pour surmonter leurs limitations respectives et générer des explications visuelles plus robustes et discriminantes pour les réseaux de neurones convolutifs.
Cet article présente CliReg, un algorithme déterministe de bouclage de boucle pour la SLAM 3D LiDAR qui remplace la validation RANSAC par une recherche de cliques maximales sur un graphe de compatibilité, offrant ainsi une robustesse et une précision supérieures face au bruit et aux ambiguïtés environnementales.
Cet article présente un système de surveillance de la santé des poissons basé sur l'analyse vidéo de leurs mouvements, utilisant un suivi multi-objets avec un détecteur YOLOv11 pour estimer la direction et la vitesse de nage, et validé sur un jeu de données de poissons-riz de Sulawesi.
Le papier présente MobileFetalCLIP, une méthode de distillation de connaissances répulsive sélective qui permet à un modèle étudiant léger de surpasser un modèle enseignant massif dans l'analyse d'échographies fœtales, rendant ainsi possible un déploiement en temps réel sur des appareils mobiles à ressources limitées.
Le papier présente RelaxFlow, un cadre de génération 3D amodale sans entraînement qui utilise des prompts textuels pour compléter les régions occluses tout en préservant strictement l'observation d'entrée, grâce à un mécanisme de relaxation qui filtre les détails haute fréquence pour isoler la structure géométrique.
Le papier présente SAIL, une méthode de légendage dense de vidéos faiblement supervisée qui améliore la localisation temporelle en générant des masques guidés par l'alignement intermodal et en enrichissant les annotations par l'augmentation de légendes via des modèles de langage.
Ce papier présente CompACT, un tokeniseur discret qui comprime les observations en seulement 8 tokens pour permettre une planification basée sur des modèles du monde à la fois rapide et efficace, facilitant ainsi leur déploiement en temps réel.
Ce papier présente NaiLIA, une méthode de récupération multimodale d'images de designs d'ongles qui aligne efficacement les descriptions d'intention denses et les requêtes de palette de couleurs, surpassant les modèles existants grâce à une nouvelle fonction de perte et à un benchmark annoté par plus de 200 personnes.
Le papier présente RealWonder, un système temps réel pionnier qui génère des vidéos conditionnées par des actions physiques à partir d'une seule image en utilisant la simulation physique comme pont intermédiaire, permettant ainsi d'explorer interactivement les effets de forces et de manipulations sur divers matériaux.