4157 articles
Cette étude propose un cadre Mask R-CNN amélioré, optimisé par l'égalisation d'histogramme et l'optimiseur Adam, pour atteindre une mAP de 90,4 % dans la détection et la segmentation d'instances de nids-de-poule, surpassant de manière significative le modèle de base pour la surveillance intelligente des routes.
Cet article démontre que les modèles de diffusion probabilistes de débruitage (DDPM) conditionnés par classe atténuent efficacement le déséquilibre de classe sévère dans la maintenance prédictive en synthétisant des échantillons de classes minoritaires de haute fidélité, surpassant de manière significative les méthodes d'augmentation traditionnelles telles que SMOTE et les GAN en détectant les défaillances industrielles rares.
Cet article introduit le Causal Retrieval-Augmented Generation (CR-RAG), un cadre qui modélise le pipeline RAG comme un modèle causal structurel afin d'atténuer les corrélations spécieuses et de réduire les hallucinations grâce à l'ajustement par biais de fond (backdoor adjustment), au repondérage par propension inverse et à l'augmentation de données contrefactuelles, atteignant des gains de performance significatifs sur des benchmarks intensifs en connaissances, particulièrement pour les questions de longue traîne.
Cet article propose un nouveau cadre de diffusion pour la restauration d'images qui emploie une modélisation interactive du déterminisme et de la stochasticité afin de s'adapter efficacement aux exigences hétérogènes de diverses tâches de dégradation, atteignant ainsi des performances et une interprétabilité supérieures à travers de multiples scénarios de restauration.
Cet article propose un cadre adaptatif, respectant la topologie et sensible à la direction, pour la simulation de tissus au niveau du fil, qui ajuste dynamiquement l'intensité du calcul des contraintes en fonction de la déformation locale et de l'activité de contact tout en employant un suréchantillonnage visuel pour maintenir des structures tissées de haute fidélité sans engendrer de coûts de calcul prohibitifs.
Cet article propose l'IBKA-Transformer, une nouvelle méthode de diagnostic de pannes qui intègre un algorithme Black Kite amélioré à un modèle Transformer pour optimiser les hyperparamètres et sélectionner les caractéristiques, atteignant une précision de 99,86 % dans le diagnostic de pannes de roulements de robots industriels.
L'article propose DCUG-PPO, un contrôleur d'apprentissage par renforcement à double critique qui ancre sa politique sur un repli basé sur un modèle via un mécanisme de porte à incertitude, atteignant une fiabilité nettement plus élevée et un contrôle plus fluide que le PPO à critique unique et les bases classiques dans l'asservissement visuel basé sur l'image lors de décrochages de caméra, tout en reconnaissant des limites dans la validation matérielle et les comparaisons algorithmiques plus larges.
Cet article introduit ESSIM, un nouvel algorithme d'optimisation par essaim probabiliste qui exploite l'inférence statistique bayésienne et l'incertitude des particules individuelles pour maintenir la diversité de l'essaim et éviter les minima locaux, surpassant ainsi le PSO classique sur des benchmarks multimodaux et des tâches d'optimisation d'hyperparamètres de régression par processus gaussiens malgré des temps de calcul plus longs.
Cet article propose une méthode de stéganographie vidéo robuste qui combine l'insertion MEC-AQIM dans le domaine DWT-SVD avec un mécanisme de synchronisation par pseudo-bruit à double couche pour récupérer efficacement les données secrètes de vidéos soumises à la fois à une recompression et à un recadrage arbitraire.
Cet article propose un système d'apprentissage continu hybride bio-inspiré qui co-conçoit un algorithme hybride drosophile-humain avec un matériel memristor auto-sélectif pour surmonter l'oubli catastrophique et les inefficacités énergétiques, atteignant des améliorations significatives de vitesse et d'énergie par rapport aux accélérateurs CMOS traditionnels.