974 articles
Cet article propose SDD-YOLO11n, un modèle de détection d'objets léger pour la reconnaissance des accidents de la route qui intègre une dorsale ShuffleNetV2, un module DW_ADown et un module DS_SENetV2 afin de réduire considérablement la complexité computationnelle tout en améliorant la précision et les performances en temps réel par rapport à l'original YOLO11n et aux autres modèles dominants.
Cet article présente une métaheuristique de recherche à voisinage variable coopérative réduite (rVNS) pour optimiser le problème complexe de tournées de véhicules à capacité et trajets multiples avec fenêtres de temps et pauses repas (MTCVRSPTW-MB) pour les opérations de catering aéroportuaire, démontrant sa supériorité en termes d'efficacité et de réduction du kilométrage par rapport aux méthodes exactes sur des instances réelles de l'aéroport international de San Francisco.
L'Assistant de Recherche Autonome est une application web IA full-stack qui exploite l'API de Semantic Scholar, un classificateur SVM linéaire affiné et Google Gemini 2.5 Flash pour découvrir, classifier, résumer et citer automatiquement des articles académiques, réduisant ainsi le temps de revue de littérature manuelle de 70 %.
Cet article valide empiriquement l'application du modèle de création de connaissances SECI à la mémoire des agents d'IA en démontrant que la transformation de l'historique conversationnel en connaissances structurées surpasse de manière significative le stockage verbatim brut dans les tâches de récupération à long terme, principalement en atténuant la troncature de la fenêtre d'encodage qui cause au stockage brut la perte d'environ 90 % du contenu de la session.
L'article propose un algorithme d'optimisation par l'oiseau de Harris à mutation adaptative (AMDHHO) qui intègre le vol de Lévy et des stratégies de mutation dynamique pour résoudre efficacement les problèmes d'ordonnancement d'ateliers à flux hybrides avec des bras robotisés, démontrant des réductions significatives du temps de complétion maximal et du temps d'attente moyen par rapport aux algorithmes génétiques et aux plans d'ordonnancement originaux.
Cette étude évalue la fidélité de classification de quatre grands modèles de langage dans la catégorisation de questions d'examen endodontique à travers trois taxonomies éducatives, révélant que si des modèles comme Gemini et DeepSeek atteignent un accord substantiel pour les taxonomies de Bloom et SOLO, tous les modèles peinent avec la pyramide de Miller, démontrant que la performance des LLM est dépendante de la taxonomie et distincte de l'exactitude des réponses.
Cette étude démontre qu'un classificateur ResNet-50 amélioré par les explications Grad-CAM et SHAP peut surpasser la sensibilité des radiologues humains dans la détection du cancer du sein au sein de mammographies denses, atteignant une sensibilité de 72,2 % tout en fournissant des informations visuelles exploitables pour soutenir son déploiement en tant qu'outil de second lecteur qui signale les cas à haute confiance et reporte les cas ambigus aux cliniciens.
Cette étude propose un modèle de prévision hybride qui intègre l'analyse de spectre singulier (SSA) pour la décomposition des données, un perceptron multicouche entraîné par rétropropagation (MLP-BP) pour la modélisation des composantes, et l'algorithme de recherche du moineau (SpSA) pour l'optimisation des paramètres, démontrant une précision supérieure dans la prédiction du trafic des passagers de l'aviation civile en Chine par rapport aux méthodes conventionnelles.
Cet article propose un algorithme de partitionnement hybride K-PSO qui combine les K-moyennes et l'optimisation par essaim de particules pour optimiser la sélection des chefs de grappes dans les réseaux de capteurs sans fil de surveillance environnementale, améliorant de manière significative l'efficacité énergétique, prolongeant la durée de vie du réseau et renforçant la stabilité des chefs de grappes par rapport aux méthodes traditionnelles.
Cet article introduit le cadre de Sélection de Réplicateur à Historique Accumulé (AHRS) et son algorithme d'Optimisation par Réseau Mycélien (MNO), qui exploitent des données de fitness historiques pondérées exponentiellement pour surpasser les optimiseurs classiques basés sur la population sur des paysages complexes et non séparables, tout en étant théoriquement fondés sur la théorie des jeux évolutionnaires et le Théorème Fondamental de Fisher.