929 articles
DeepGaitLab est un cadre de suivi de mouvement 3D sans marqueur, en libre accès, entraîné sur des données synthétiques, qui offre une analyse de la marche de haute précision et sans calibrage à travers diverses configurations de caméras et populations cliniques, comblant efficacement le fossé entre la biomécanique de niveau recherche et le déploiement clinique évolutif.
Cet article propose MEFP-Net, un algorithme de reconnaissance multimodale utilisant une fusion hiérarchique à l'étape intermédiaire et un squelette à double voie pour traiter efficacement le déséquilibre des caractéristiques et la sensibilité à la luminosité, améliorant ainsi considérablement la détection d'objets petits et occultés dans des scénarios de trafic urbain complexes.
Cet article présente une évaluation expérimentale complète de diverses stratégies d'indexation FAISS (Facebook AI Similarity Search), analysant leurs compromis en termes de précision, de latence et d'utilisation de la mémoire à travers différentes métriques de distance et techniques de quantification afin de fournir des conseils pratiques pour les déploiements de recherche de similitude à grande échelle.
Cet article propose et évalue un modèle d'ordonnancement prédictif et adaptatif qui intègre la prévision de la charge de travail à des décisions de stockage tenant compte de Ceph afin de réduire considérablement la contention des ressources et la latence d'E/S dans une infrastructure hyperconvergée Kubernetes–Ceph fonctionnant sur Proxmox VE, atteignant un équilibrage de charge et des performances supérieurs par rapport à l'ordonnanceur Kubernetes par défaut.
Cet article propose un cadre d'apprentissage par renforcement fédéré pour les réseaux mobiles de bord qui combine un modèle VAE-LSTM pour la prédiction de la popularité du contenu avec un algorithme d'apprentissage par renforcement profond multi-agents afin d'optimiser les décisions de mise en cache coopérative, réduisant ainsi considérablement la latence et améliorant les taux de réussite de mise en cache par rapport aux méthodes de référence existantes.
Cet article propose DMPB-Net, un nouveau cadre semi-supervisé qui intègre un encodeur piloté par Mamba avec des modules spécialisés pour le découplage sémantique, l'attention prototypique et le raffinement des contours afin d'atteindre l'état de l'art dans la segmentation de lésions mammaires par échographie sous une supervision limitée.
Cet article propose un cadre trimodal robuste qui intègre des CNN, des Vision Transformers et des réseaux de neurones graphiques via un mécanisme de fusion par porte adaptatif afin d'atteindre une précision de détection de falsification de pointe (99,10 %) et une interprétabilité sur les images des réseaux sociaux.
Cette étude propose un cadre de décision rigoureux en trois parties pour la sélection de modèles dans l'apprentissage automatique scientifique à données limitées, démontrant, à travers des études de cas sur les inhibiteurs de kinase et la solubilité, que des modèles linéaires simples surpassent souvent des alternatives complexes lorsque les tailles d'échantillon sont réduites, plaidant ainsi pour la simplicité du modèle comme une base de référence critique.
Cette étude évalue divers modèles de régression d'apprentissage automatique sur le jeu de données Individual Household Electric Power Consumption afin de prédire les tendances énergétiques et d'identifier les anomalies, concluant que Random Forest surpasse les autres algorithmes tandis que l'analyse SHAP révèle que Global_intensity est le facteur prédictif dominant.
Ce document propose le cadre de travail Stigmergic Skeleton Field (SSF), qui intègre un graphe de squelette d'axe médian avec un champ de phéromones de type colonies de fourmis et un algorithme de Localized Incremental Re-skeletonization (LIR) afin de permettre une navigation multi-robots décentralisée et efficace dans des environnements dynamiques en réparant la topologie uniquement là où cela est nécessaire, atteignant une qualité de trajectoire quasi optimale avec des vitesses de replanification nettement plus rapides par rapport aux bases de référence existantes.