6330 articles
Cet article propose SACA, un cadre d'alignement contrastif sensible aux étapes qui améliore la navigation vision-langage en environnement continu en extrayant une supervision dense des trajectoires imparfaites pour surmonter les limites des méthodes d'apprentissage par renforcement et de l'ajustement par supervision.
Ce papier présente ENIGMA-360, un nouveau jeu de données synchronisé en vue egocentrique et exocentrique capturé dans un environnement industriel réel, accompagné d'annotations et de résultats de référence pour améliorer la compréhension du comportement humain et la sécurité des travailleurs.
Ce papier présente LAP, un modèle de planification de procédures qui surpasse les méthodes existantes en exploitant la richesse des descriptions textuelles issues d'un modèle vision-langage pour générer des séquences d'actions plus précises dans les vidéos d'instruction.
Cet article présente un robot continu à ressorts et tendeurs, inspiré de la locomotion des chenilles et équipé de capteurs à soies artificielles, conçu pour améliorer l'exploration et l'inspection de espaces confinés par des bras robotiques commerciaux.
Cet article démontre que la minimisation de la longueur de l'arête la plus longue dans l'insertion simultanée géométrique de deux chemins sur une grille entière est NP-difficile, tout en proposant un algorithme de complexité pour minimiser le périmètre de la grille lorsque l'un des chemins est monotone en et l'autre en .
En s'appuyant sur les travaux de Corbett et Munneke, cet article plaide pour l'utilisation des jeux vidéo commerciaux comme paradigme de recherche écologique à l'intersection de l'interaction humain-ordinateur et des sciences cognitives, permettant d'étudier la perception, l'attention et les fonctions exécutives grâce à un cadre méthodologique basé sur l'observation et la cartographie des affordsances.
Cet article présente un agent génératif neuro-symbolique capable de détecter et de corriger les hypothèses physiques implicites dans la littérature scientifique, évitant ainsi les hallucinations physiques en complétant autonomement les mécanismes manquants pour assurer la cohérence des simulations, comme démontré par la modélisation correcte de la pressurisation thermique dans le grès.
LogoDiffuser est une méthode sans entraînement qui génère et stylise des logos multilingues en injectant des cartes d'attention issues d'images de caractères cibles dans un transformateur de diffusion multimodal, garantissant ainsi le contrôle de la structure des lettres sans déformation.
Le papier présente MuxGel, un capteur tactile visuel à haute fidélité qui surmonte le compromis traditionnel entre vision et toucher en utilisant un motif de damier pour multiplexer spatialement les signaux, permettant ainsi la récupération simultanée d'informations visuelles externes et de données tactiles via une seule caméra et un cadre de reconstruction profond.
Ce papier démontre que les défenses actuelles contre les portes dérobées sont incomplètes car elles se concentrent uniquement sur la suppression des déclencheurs d'entraînement, alors que des déclencheurs alternatifs peuvent exploiter des directions de porte dérobée latentes dans l'espace des caractéristiques pour activer la backdoor.
Cet article propose une méthode d'optimisation topologique à épaisseur variable intégrant une projection informée par le gradient de densité pour éliminer les régions de faible épaisseur et déflouter les bords structuraux, permettant ainsi d'obtenir des designs nets et manufacturables sans compromettre la rigidité globale.
Le papier CLIOPATRA démontre qu'il est possible de contourner les protections de confidentialité de la plateforme Clio d'Anthropic en injectant des conversations malveillantes pour extraire des données médicales sensibles d'utilisateurs cibles, révélant ainsi l'insuffisance des techniques heuristiques actuelles pour garantir la vie privée dans les systèmes d'analyse par LLM.
Ce papier présente TIMID, une nouvelle architecture de détection d'anomalies vidéo capable d'identifier des erreurs temporelles dans les exécutions de robots grâce à une supervision faible et à une évaluation sim-to-real sur un jeu de données multi-robots.
Cet article présente la première exploration de l'adaptation test-temps pour l'anticipation d'actions entre les vues égocentrique et exocentrique, en proposant un réseau innovant (DCPGN) qui utilise une croissance de prototypes multi-étiquettes et une cohérence de double indice visuel-textuel pour surmonter les écarts spatio-temporels sans nécessiter de données cibles supplémentaires.
Cet article présente la première étude systématique de la puissance expressive du langage PG-Keys par rapport aux dépendances fonctionnelles et génératives sur les graphes, établissant une hiérarchie stricte de leurs capacités au sein d'un cadre unifié pour éclairer la révision future de la norme GQL.
Ce papier présente RA-SSU, une nouvelle tâche d'apprentissage audio-visuel à granularité fine, accompagnée de deux nouveaux jeux de données annotés (f-Music et f-Lifescene) et d'un modèle de référence nommé SSUFormer, conçu pour réaliser une segmentation précise des sources sonores et générer des descriptions textuelles détaillées au niveau de chaque image.
ConfCtrl est un cadre d'interpolation vidéo basé sur l'attention à la confiance qui permet aux modèles de diffusion de générer des vues nouvelles géométriquement cohérentes et plausibles à partir de deux images, en combinant des nuages de points projetés avec des corrections résiduelles pour suivre précisément les trajectoires de caméra tout en reconstruisant les régions non vues.
L'article propose EmoSURA, un nouveau cadre d'évaluation pour les descriptions émotionnelles de la parole qui remplace le scoring global par une vérification atomique ancrée dans l'audio et introduit le benchmark SURABench pour surmonter les limites des métriques traditionnelles et des juges LLM sur les contextes longs.
Le papier présente BrainSTR, un cadre d'apprentissage contrastif spatio-temporel conçu pour modéliser les réseaux cérébraux dynamiques de manière interprétable en identifiant des phases critiques et des sous-réseaux pertinents pour le diagnostic de troubles neuropsychiatriques tels que l'autisme, le trouble bipolaire et la dépression.
Ce papier présente VLM-Loc, un cadre innovant qui exploite le raisonnement spatial des modèles vision-langage pour la localisation texte-nuage de points, en transformant les nuages en images et graphes de scène pour une meilleure précision, et introduit le benchmark CityLoc pour évaluer cette approche.