93 articles
Ce papier présente une méthode hybride eTFCE-GRF qui combine la structure union-find pour une récupération exacte de la taille des clusters et la théorie des champs aléatoires gaussiens pour des valeurs p analytiques, permettant ainsi une inférence neuroimagerie à base de morphométrie voxelique précise et jusqu'à 1000 fois plus rapide que les tests de permutation.
Cette étude démontre que l'apprentissage centralisé offre les meilleures performances pour la classification automatique de la relation entre la troisième molaire et le canal mandibulaire sur les radiographies panoramiques, tandis que l'apprentissage fédéré constitue une alternative efficace et respectueuse de la vie privée surpassant l'apprentissage local.
Ce papier démontre que les schémas de stéganographie « image dans image » sont facilement détectables grâce à une analyse par composantes indépendantes et à une méthode de stéganalyse basée sur les moments statistiques, atteignant jusqu'à 84,6 % de précision, voire plus de 99 % avec des méthodes classiques comme SRM.
Cet article présente UniCAC, une nouvelle échelle de référence à grande échelle pour la correction computationnelle des aberrations optiques, accompagnée d'un évaluateur de dégradation optique et d'une analyse comparative de 24 algorithmes visant à identifier les facteurs clés influençant la généralisation de ces méthodes sur divers objectifs photographiques.
Le papier présente O3N, le premier cadre de prédiction d'occupation ouvert-vocabulaire et omnidirectionnel purement visuel qui, grâce à des modules innovants comme la topologie en spirale polaire et l'alignement modal naturel, permet une modélisation 3D universelle avec une excellente généralisation et une cohérence géométrique-semanticique.
Cet article présente un réseau de dépliement profond adversaire novateur, conçu pour générer des cartes de distribution élémentaire haute résolution à partir de données MA-XRF limitées sur des tableaux de maîtres anciens en utilisant uniquement une image RVB haute résolution pour un entraînement non supervisé.
Cet article propose un algorithme d'espérance-maximisation approximatif permettant de reconstruire directement la structure tridimensionnelle de petites molécules à partir de micrographies cryo-EM à faible rapport signal-sur-bruit, en évitant l'étape préalable de localisation des images de projection qui échoue dans ces conditions.
Le papier présente ResSR, une méthode de super-résolution d'images multispectrales efficace et non supervisée qui, en découplant le traitement spectral et spatial, offre une qualité de reconstruction comparable aux méthodes existantes tout en étant 2 à 10 fois plus rapide.
Cette étude présente un système novateur de classification du comportement des conducteurs pour les véhicules autonomes, utilisant des techniques de vision par ordinateur externes pour détecter la distraction et l'altération sans dépendre de la communication inter-véhiculaire.
Le papier présente MedFuncta, un cadre unifié permettant l'entraînement à grande échelle de champs neuronaux sur des données médicales via une représentation latente partagée, des améliorations théoriques des activations SIREN et une stratégie d'apprentissage méta efficace, tout en libérant le code et le premier jeu de données à grande échelle dédié, MedNF.
Cet article présente une implémentation matérielle d'un neurone capacitif adiabatique (ACN) en technologie CMOS 0,18 µm, offrant une efficacité énergétique supérieure de plus de 90 % par rapport aux neurones conventionnels, tout en garantissant une robustesse accrue et une faible déviation de seuil sur une large plage de températures et de variations de procédé.
Le papier présente Overtone, un cadre unifié pour les émulateurs de physique qui atténue les erreurs systématiques et optimise l'efficacité computationnelle en modulant dynamiquement et cycliquement la taille des patches lors des inférences.
Cet article présente GMLN-BTS, un réseau neuronal léger basé sur des graphes pour la segmentation adaptative des tumeurs cérébrales qui, grâce à ses modules innovants d'encodage, d'interaction multimodale et de raffinement, atteint des performances de pointe avec une réduction massive de 98 % des paramètres par rapport aux modèles 3D Transformer dominants.
Cet article propose un cadre d'apprentissage actif guidé par l'explicabilité qui sélectionne stratégiquement des échantillons médicaux en combinant l'incertitude de classification et l'inadéquation des cartes d'attention par rapport aux régions d'intérêt définies par les experts, améliorant ainsi à la fois la performance prédictive et l'interprétabilité clinique avec moins de données annotées.
Le papier propose CogGen, une approche de génération profonde entièrement non supervisée pour la reconstruction d'IRM échantillonnée de manière compressive qui améliore la fidélité et la convergence en régulant la charge cognitive via un apprentissage par curriculum qui hiérarchise progressivement la difficulté des données d'entraînement.
Cet article démontre théoriquement et empiriquement que l'édition d'images par diffusion fragilise et peut même annuler les filigranes robustes, car le processus de débruitage tend à traiter les messages embarqués comme du bruit à éliminer, nécessitant ainsi de nouvelles conceptions de filigranes adaptées à l'ère des transformations génératives.
L'article présente HoloPASWIN, un cadre d'apprentissage profond basé sur les Transformers Swin et intégrant des contraintes physiques, qui surpasse les réseaux de neurones convolutifs traditionnels pour éliminer efficacement l'image-jumeau et reconstruire des hologrammes numériques en ligne avec une grande fidélité spectrale.
Cette étude présente un système de détection des gyrophares bleus utilisant quatre caméras grand angle et un modèle RT-DETR amélioré par une attention chromatique, qui atteint une précision de 94,7 % sur le jeu de données ABLDataset pour renforcer la sécurité routière via les systèmes ADAS.
Cet article présente un capteur d'imagerie HDR instantané utilisant une disposition de pixels non régulière et des ouvertures spatialement variables pour étendre la plage dynamique tout en atténuant le repliement spectral et en préservant la résolution spatiale grâce à une reconstruction dans le domaine de Fourier.
Cette étude démontre que le recadrage simple des poumons par une boîte englobante permet de réduire l'apprentissage de raccourcis raciaux dans les modèles de diagnostic par radiographie thoracique tout en préservant leur précision, contournant ainsi le compromis habituel entre équité et performance.