3895 articles
L'article présente CaliCrack, une fonction de perte sans paramètre appliquée lors de l'entraînement qui pénalise l'inflation des contours dans les modèles de segmentation de fissures, améliorant significativement la précision et le score F1 sur le jeu de données DeepCrack en réduisant les prédictions trop épaisses qui entraînent des faux positifs dans l'inspection automatisée des routes.
Cette étude évalue six grands modèles de langage par rapport à des experts humains pour l'évaluation AGREE II de recommandations de pratique clinique sur le sepsis, révélant que, bien que les modèles atteignent un accord modéré, ils présentent des biais systématiques spécifiques au domaine et une efficacité variable, suggérant que leur rôle optimal est celui d'outils de triage au sein d'un flux de travail hybride humain-IA plutôt que d'évaluateurs autonomes.
Cet article évalue plusieurs modèles d'apprentissage automatique pour la détection des interférences du PRACH dans la 5G NR, révélant que si les encodeurs Transformer offrent une précision élevée, les CNN et XGBoost offrent le compromis optimal entre précision élevée et efficacité computationnelle, ce qui en fait les candidats les plus appropriés pour la gestion des interférences en temps réel.
Cette étude de recherche fondées sur la conception détaille le développement et les tests sur le terrain d'un outil de validation Excel-VBA pour la plateforme Mozilla Common Voice, démontrant comment des améliorations de conception itératives qui privilégient les préférences orthographiques de la communauté plutôt que les caractéristiques techniques peuvent améliorer la qualité des données et la durabilité de la participation dans les projets de langues circassiennes en danger.
Cet article propose une architecture hybride combinant les réseaux antagonistes génératifs (GAN) et des modèles de diffusion stable optimisés afin de remédier à l'instabilité de l'entraînement et à l'effondrement de mode, atteignant une génération d'images de haute qualité avec un réalisme supérieur par rapport aux GAN autonomes pour des applications allant de la reconstruction médico-légale à l'augmentation de données.
Cet article propose une analyse comparative théorique et qualitative de Faster R-CNN, Mask R-CNN et YOLOv8 pour la détection d'objets et la segmentation d'instances, démontrant, à travers une étude de cas personnalisée sur des véhicules militaires, que les détecteurs à étape unique légers peuvent s'adapter efficacement à de nouvelles classes via l'apprentissage par transfert tout en surpassant les modèles à deux étapes entraînés uniquement sur des jeux de données généraux, le tout dans le contexte des architectures de détection en temps réel en pleine évolution.
Ce document présente PeopleFlow, un cadre d'intelligence artificielle et de vision par ordinateur qui intègre des données de site en temps réel à des simulations multi-agents pour modéliser et comparer la sécurité d'évacuation au sein d'environnements de construction complexes et dynamiques, permettant ainsi des décisions fondées sur les données concernant le routage d'urgence et l'infrastructure avant que la construction ne soit achevée.
Cette étude propose un cadre hybride CNN-Transformer basé sur RT-DETR qui atteint une précision de pointe (97,8 % mAP50) et une performance en temps réel (38 FPS) pour une détection robuste de la sténose des artères coronaires en angiographie par rayons X, surpassant de manière significative les méthodes traditionnelles tant en précision qu'en vitesse.
Cet article présente un système automatique de détection de défauts et de classement intelligent pour la céramique universitaire qui intègre l'imagerie à polarisation croisée, l'augmentation de données basée sur StyleGAN3 et un modèle YOLOv8-CSLA afin d'atteindre une identification des défauts de haute précision et un classement dynamique basé sur la sévérité, tout en réduisant considérablement les taux de non-détection par rapport à l'inspection manuelle.
Cette étude introduit l'Explanation Consistency Score (ECS) pour démontrer que les détecteurs de deepfakes présentant une grande précision prédictive reposent souvent sur un raisonnement instable et spécifique à un jeu de données qui ne parvient pas à se généraliser, soutenant ainsi que les modèles forensiques doivent être évalués sur la cohérence de leurs explications en plus des mesures de performance traditionnelles.