7561 articles
Ce papier présente VideoMindPalace, un nouveau cadre qui structure les moments clés des vidéos en graphes sémantiques topologiques inspirés de la « méthode des lieux » pour améliorer la compréhension des vidéos longues par les modèles de langage vision, accompagné d'un benchmark dédié pour évaluer le raisonnement humain.
Cet article propose le DCENWCNet, un réseau d'ensemble de CNN innovant combinant trois architectures pour améliorer la classification des globules blancs avec une précision supérieure et une interprétabilité accrue grâce à la méthode LIME.
Cet article propose STAG, une méthode de fine-tuning paramétriquement efficace pour les Transformers de nuages de points 3D qui utilise un réseau latéral à convolution graphique pour réduire considérablement les coûts computationnels et mémoire tout en maintenant une précision comparable, et introduit le nouveau benchmark PCC13 pour l'évaluation.
Cet article présente le jeu de données UNB StepUP-P150, une base de données publique de haute résolution contenant plus de 200 000 empreintes plantaires issues de 150 individus marchant à différentes vitesses et avec divers types de chaussures, conçue pour favoriser les avancées en reconnaissance biométrique de la démarche, en biomécanique et en apprentissage profond.
Cet article propose une nouvelle méthode de distribution géométrique générative qui, en encodant les distributions sous forme de cartes de caractéristiques 2D et en utilisant des modèles SMPL comme domaine, permet de générer des géométries humaines réalistes avec des détails vestimentaires précis et une amélioration de 57 % de la qualité par rapport aux méthodes existantes.
Cet article présente Implicit U-KAN 2.0, une nouvelle architecture de segmentation d'images médicales basée sur des équations différentielles neuronales d'ordre deux et des couches MultiKAN, qui améliore l'interprétabilité, la performance théorique et l'efficacité computationnelle par rapport aux méthodes existantes.
Cette étude propose une analyse à grande échelle de neuf dimensions de qualité au-delà de la simple précision pour les modèles de classification d'images, révélant l'impact des paradigmes d'entraînement et des architectures, et introduisant le score QUBA pour évaluer et classer ces modèles de manière holistique.
Ce papier présente DeCon, un cadre d'apprentissage auto-supervisé qui améliore les tâches de prédiction dense en pré-entraînant conjointement l'encodeur et le décodeur via une perte contrastive pondérée, surpassant ainsi les méthodes traditionnelles axées uniquement sur l'encodeur.
Cet article présente un cadre unifié de synthèse d'interactions humain-objet qui exploite les modèles vision-langage pour générer automatiquement des politiques de mouvement et des fonctions de récompense via une nouvelle représentation dynamique relative, éliminant ainsi le besoin de données de capture de mouvement coûteuses ou d'ingénierie manuelle des récompenses.
Ce papier propose un nouveau jeu de données axé sur les interactions et une méthode d'affinement par décomposition assistée par des modèles de langage multimodaux pour améliorer la génération d'images text-to-image riches en interactions complexes entre objets.
Cet article présente Inception, la première attaque de jailbreak multi-tours exploitant les mécanismes de mémoire des systèmes de génération d'images par texte pour contourner les filtres de sécurité en divisant et en récursant les intentions malveillantes, surpassant ainsi les méthodes existantes avec un taux de réussite supérieur de 20 %.
Cet article présente le CSASN, un cadre d'apprentissage multitâche innovant intégrant un réseau à double branche avec mécanismes d'attention pour surmonter les défis de l'hétérogénéité morphologique et du déséquilibre des données dans le diagnostic par ultrasons des rares carcinomes thyroïdiens.
Cet article caractérise le motif de bruit de défocalisation synthétique (SDNP) propre aux portraits iPhone, propose une méthode pour le modéliser et l'estimer précisément, et démontre son utilité pour la traçabilité des appareils ainsi que pour améliorer la fiabilité de l'authentification de source photographique en masquant les zones affectées.
Ce papier propose MoB, une méthode de pruning de tokens visuels fondée sur la théorie du recouvrement et une formulation bi-objectif, qui résout le compromis inhérent entre l'alignement et la préservation visuelle pour offrir une accélération significative des modèles multimodaux avec une perte de performance négligeable.
Cette étude présente une analyse comparative des modèles de langage et des systèmes OCR traditionnels pour la reconnaissance du texte urdien dans les journaux, en introduisant le jeu de données UNB et en démontrant que le fine-tuning des LLMs sur de petits échantillons permet d'atteindre des performances supérieures malgré la complexité du script Nastaliq et la qualité variable des scans.
Cet article propose une méthode simple et rapide appelée « Feature Mixing » pour la synthèse d'anomalies multimodales, accompagnée d'un nouveau jeu de données nommé CARLA-OOD, afin d'améliorer la détection et la segmentation des données hors distribution avec des performances de pointe et une accélération significative.
Cet article présente le jeu de données BAH, un ensemble multimodal de vidéos annoté par des experts pour la reconnaissance automatique de l'ambivalence et de l'hésitation dans les interventions numériques de changement de comportement, comblant ainsi un vide critique pour le développement de modèles d'apprentissage machine adaptés.
Ce papier présente TADA, un cadre d'augmentation ciblée par modèles de diffusion qui améliore la généralisation des classificateurs d'images en synthétisant uniquement les exemples difficiles à apprendre, surpassant ainsi les méthodes d'augmentation massive tout en réduisant les coûts computationnels.
Cet article présente un système de surveillance des vibrations structurelles à faible consommation et peu coûteux, intégrant une couche diffractive optimisée conjointement avec un réseau de neurones peu profond pour reconstruire en temps réel les spectres de vibrations 3D des infrastructures sans nécessiter de réseaux de capteurs denses.
Le papier présente EgoWorld, un cadre novateur qui reconstruit des vues à la première personne à partir d'observations exocentriques riches (nuages de points, poses 3D des mains et descriptions textuelles) en utilisant des modèles de diffusion, surpassant ainsi les méthodes actuelles et démontrant une forte généralisation sur plusieurs jeux de données.