10519 पेपर
यह अध्ययन प्रदर्शित करता है कि टेक्स्ट मॉडल में अंतर्निहित मशीन-जनित इमेज कैप्शन, विशेष रूप से मध्यवर्ती नेटवर्क परतों पर, मानव-एनोटेटेड कैप्शन और ऑटोरेग्रेसिव लैंग्वेज मॉडल की तुलना में मानव उच्च-स्तरीय दृश्य धारणा और व्यवहारिक संरेखण के बेहतर मॉडल प्रदान करते हैं।
ForensicNet एक हल्का, अटेंशन-एनहांस्ड डीप लर्निंग फ्रेमवर्क है जो पोज़ वेरिएशन और ऑक्लूजन जैसी चुनौतीपूर्ण स्थितियों में उच्च-सटीकता, रियल-टाइम फॉरेंसिक फेस आइडेंटिफिकेशन प्राप्त करने के लिए MobileNetV2 को CBAM और एक टू-फेज़ ट्रांसफर लर्निंग स्ट्रैटेजी के साथ जोड़ता है।
यह शोध पत्र प्रदर्शित करता है कि जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (JEPAs) के प्रेडिक्टर घटक को फ्रीज किया जा सकता है और एक सरल लीनियर प्रोजेक्शन के माध्यम से नॉन-JEPA एनकोडर्स में ट्रांसफर किया जा सकता है, जो अंतर्निहित मॉडलों को पुन: प्रशिक्षित किए बिना लापता फीचर्स को प्रभावी ढंग से पूरा करके, बाधित इनपुट्स पर उनके प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है।
यह शोधपत्र 3D FaceShell को प्रस्तुत करता है, जो एक ऐसा रक्षा ढांचा (defense framework) है जो ज्यामितीय सटीकता और चेहरे की पहचान को सुरक्षित रखते हुए, विजन-लैंग्वेज मॉडल्स के एट्रिब्यूट इन्फरेंस (attribute inference) को प्रभावी ढंग से गुमराह करने के लिए सूक्ष्म, सीखने योग्य गॉसियन गड़बड़ी (Gaussian perturbations) को एम्बेड करके 3D फेस अवतारों की गोपनीयता की रक्षा करता है।
यह शोध पत्र EMTS-Det को प्रस्तुत करता है, जो एक अत्यंत हल्का, रियल-टाइम हवाई व्यक्ति ट्रैकिंग सिस्टम है जो सीखे गए टेम्पोरल प्रोसेसिंग (learned temporal processing) के स्थान पर विश्लेषणात्मक रूप से गणना किए गए, ईगो-मोशन-सामान्यीकृत मोशन सिग्नेचर (ego-motion-normalized motion signatures) का उपयोग करके मिलीवाट-क्लास हार्डवेयर पर उच्च सटीकता प्राप्त करता है, जिससे रास्पबेरी पाई ज़ीरो 2W जैसे उपकरणों पर सुदृढ़ डिटेक्शन और ट्रैकिंग सक्षम होती है जहाँ पारंपरिक मॉडल विफल हो जाते हैं।
यह शोध पत्र GenSyn10 को प्रस्तुत करता है, जो तीन विविध अत्याधुनिक मॉडलों द्वारा उत्पन्न 60,000 सिंथेटिक छवियों का एक मानकीकृत CIFAR-10-संरेखित डेटासेट है, जिसे अनदेखी जनरेटिव आर्किटेक्चर के विरुद्ध इमेज डिटेक्टरों की आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण क्षमताओं को बेंचमार्क और मूल्यांकन करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र एक साझा लेटेंट वेरिएशनल फ्रेमवर्क प्रस्तावित करता है जो आंशिक रूप से लेबल किए गए मल्टी-टास्क फेशियल अफेक्ट रिकग्निशन को एक सामान्य अफेक्ट रिप्रेजेंटेशन पर मार्जलाइजेशन के रूप में मानता है, और s-Aff-Wild2 पर कठोर नियंत्रित प्रयोगों के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण गंभीर लेबल स्पर्सिटी और इम्बैलेंस के बावजूद क्रॉस-टास्क सिग्नल्स का प्रभावी ढंग से लाभ उठाकर स्पेशलिस्ट और मास्क्ड-लॉस बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र न्यूरल डेप्थ फील्ड (NDF) का प्रस्ताव करता है, जो एक नवीन दृष्टिकोण है जो डेप्थ एस्टिमेटर्स को सीन-लेवल इम्प्लिसिट फील्ड्स के रूप में पुनर्व्याख्या करता है ताकि सिंगल टेस्ट-टाइम ऑप्टिमाइज़ेशन किया जा सके, जिससे विविध डेटासेट्स में उच्च निष्ठा और वैश्विक निरंतरता के साथ अत्याधुनिक 3D ज्योमेट्री इनपेंटिंग और पुनर्निर्माण प्राप्त किया जा सके।
यह शोध पत्र आइडेंटिटी-कंसिस्टेंट एक्सप्रेशन फील्ड्स (ICEF) का प्रस्ताव करता है, जो एक डिसेंटैंगल्ड न्यूरल रेडिएंस फील्ड फ्रेमवर्क है जो स्थिर पहचान विशेषताओं को गतिशील अभिव्यक्ति विरूपणों से अलग करता है और कम-शॉट (few-shot) परिदृश्यों में, यहाँ तक कि नवीन अभिव्यक्तियों तक एक्सट्रपलेशन करते समय भी, उच्च-गुणवत्ता वाले, पहचान-संरक्षित चेहरे की अभिव्यक्ति संश्लेषण को प्राप्त करने के लिए एक कॉन्फिडेंस-वेटेड वार्पिंग तंत्र का उपयोग करता है।
यह शोध पत्र 11वें ABAW चुनौती पर उच्च भविष्यवाणी सहसंबंधों (prediction correlations) को दूर करने और अत्याधुनिक मल्टी-टास्क अफेक्ट रिकग्निशन स्कोर प्राप्त करने के लिए एक साझा अफेक्ट-लेटेंट बैकबोन के भीतर पैरामीटर-आइसोलेटेड एक्सपर्ट्स का उपयोग करते हुए एक स्ट्रेंथ-पैरिटी एनसेम्बलिंग रणनीति प्रस्तावित करता है।