👁️ Category

cs.CV

10520 पेपर

💻 computer science

GMoT: Gated Motion-Aware Tokenization for Fine-Grained Micro-Gesture Video Reasoning with Multimodal LLMs

यह शोध पत्र GMoT को प्रस्तुत करता है, जो एक गेटेड मोशन-अवेयर टोकनाइज़ेशन मॉड्यूल है जिसे एक प्रोग्रेसिव रिवॉर्ड-गाइडेड पॉलिसी रिफाइनमेंट प्रतिमान के साथ संयोजित किया गया है, ताकि स्पार्स काइनेमैटिक एविडेंस और एनाटॉमिकल ग्राउंडिंग को स्पष्ट रूप से डिस्टिल करके मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स की सूक्ष्म-जेस्चर वीडियो रीजनिंग करने की क्षमता को बढ़ाना है, जिससे iMiGUE और SMG बेंचमार्क पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है।

Taorui Wang, Wei Xia, Hui Ma, Zijia Song, Jiayu Zhang, Zeheng Wang, Yong Xu, Zitong Yu2026-07-21
⚡ electrical engineering

ECG-LLM: Foundation Model for ECG-Based Cardiac Reasoning

यह शोध पत्र ECG-LLM को प्रस्तुत करता है, जो 6,79,000 से अधिक ईसीजी (ECG) अध्ययनों पर मल्टीमॉडल पर्यवेक्षण (multimodal supervision) के माध्यम से प्रशिक्षित एक फाउंडेशन मॉडल है, जो जटिल इमेजिंग-व्युत्पन्न फेनोटाइप्स की भविष्यवाणी करने और पारंपरिक निश्चित-लेबल निदान से परे फ्रंट-लाइन ट्राइएज निर्णयों का समर्थन करने के लिए प्रश्न-संचालित हृदय संबंधी तर्क (cardiovascular reasoning) को सक्षम बनाता है।

Alexander Selivanov, Friederike Jungmann, Jan Kehrer, Karl-Ludwig Laugwitz, Eimo Martens, Daniel Rueckert2026-07-21
💻 computer science

CRISP: Pre-LLM Yet Text-Driven Visual Token Pruning for Efficient LVLM Inference

CRISP एक प्री-LLM, टेक्स्ट-ड्रिवन विजुअल टोकन प्रूनिंग फ्रेमवर्क है जो निर्देश-प्रासंगिक टोकन की पहचान करने और सिमेंटिक विविधता को बढ़ाने के लिए एक दो-चरणीय पाइपलाइन का उपयोग करता है, जिससे लार्ज विजन-लैंग्वेज मॉडल्स के लिए 99.5% से अधिक सटीकता प्रतिधारण (accuracy retention) प्राप्त होता है और इन्फरेंस लेटेंसी में 2 गुना से अधिक की कमी आती है।

Xu Li, Yi Zheng, Mengyang Zhao, Yuxuan Liang, Zhe Liu, Rui Zhu, Xiaolei Chen, Wei Zhou, Baoquan Zhao, Juncen Guo2026-07-21
💻 computer science

DMFNet: Dual-Backbone Multiscale Fusion Network for Urban Scene Classification

यह शोध पत्र DMFNet को प्रस्तुत करता है, जो रेसिडुअल प्रोपेगेशन और स्पेशियल अटेंशन द्वारा संवर्धित एक डुअल-बैकबोन मल्टीस्केल फ्यूजन नेटवर्क है, जो शहरी दृश्य वर्गीकरण में इंट्रा-क्लास वेरिएबिलिटी और इंटर-क्लास सिमिलैरिटी की चुनौतियों को प्रभावी ढंग से संबोधित करके AID डेटासेट पर अत्याधुनिक सटीकता प्राप्त करता है।

Anamitra Ghosh, Abhiroop Chatterjee, Susmita Ghosh2026-07-21
💻 computer science

Privacy-Aware Synthetic Video Benchmarking and Relational Evaluation for Worker-Under-Suspended-Load Detection

यह शोध पत्र सिंथसाइट (SynthSite) को पेश करता है, जो निलंबित भार (suspended loads) के नीचे श्रमिकों का पता लगाने के लिए एक गोपनीयता-जागरूक सिंथेटिक वीडियो बेंचमार्क है, जो यह प्रदर्शित करता है कि संरचना-संरक्षण करने वाली अस्पष्टता (structure-preserving obfuscation) विधियाँ उपस्थिति-सुचारू बनाने वाली (appearance-smoothing) तकनीकों की तुलना में खतरे की पहचान के लिए आवश्यक ज्यामितीय संकेतों को बेहतर बनाए रखती हैं।

Anshu Singh, Alejandro Seif2026-07-21
💻 computer science

PhysAgent: Reflective Agentic Physics Control for Physically Plausible Video Generation

PhysAgent एक रिफ्लेक्टिव एजेंटिक फ्रेमवर्क पेश करता है जो वन-शॉट प्रेडिक्शन की सीमाओं को दूर करने के लिए भौतिकी कार्यक्रमों (physics programs) को पुनरावृत्ति के साथ जेनरेट, सिम्युलेट, वेरिफाई और रिपेयर करता है, जिससे जटिल डायनेमिक्स और इंटरैक्शन वाले अधिक भौतिक रूप से विश्वसनीय और प्रॉम्प्ट-अलाइन्ड वीडियो का निर्माण सक्षम होता है।

Qirui Li, Jinkun Hao, Yibo Li, Ran Yi, Paul L. Rosin, Yu-Kun Lai2026-07-21
💻 computer science

Disentangling Model and Human Data Uncertainty in Apparent Facial Age Estimation

यह शोधपत्र यह प्रदर्शित करता है कि APPA-REAL डेटासेट पर प्रशिक्षित बेयसियन न्यूरल नेटवर्क चेहरे की आयु अनुमान में एलियटोरिक (aleatoric) और एपिस्टेमिक (epistemic) अनिश्चितताओं को प्रभावी ढंग से अलग और परिमाणित कर सकते हैं, जिससे यह स्पष्ट होता है कि एलियटोरिक अनिश्चितता डेटासेट के आकार के बावजूद स्थिर रहती है जबकि एपिस्टेमिक अनिश्चितता प्रशिक्षण डेटा घटने के साथ बढ़ती है।

Andrei Foitos, Ivo Pascal de Jong, Matias Valdenegro-Toro2026-07-21
💻 computer science

DS@GT ARC at AnimalCLEF 2026: Species-Aware Graph Construction for Multi-Species Animal Re-Identification

DS@GT ARC टीम ने एक प्रजाति-जागरूक ग्राफ निर्माण पाइपलाइन विकसित करके AnimalCLEF 2026 में पांचवां स्थान प्राप्त किया, जो चार अलग-अलग पशु प्रजातियों में व्यक्तियों को मजबूती से पुन: पहचानने के लिए ग्लोबल रिट्रीवल, LightGlue-आधारित लोकल वेरिफिकेशन और लीडेन कम्युनिटी डिटेक्शन को एकीकृत करता है ताकि ट्रांजिटिव क्लोजर के कारण होने वाले फॉल्स मर्ज को कम किया जा सके।

Evan Sinclair Smith, Anthony Miyaguchi, Snigdha Palamari, Danté Evangelista2026-07-21
💻 computer science

WeedExpert-R1: Incentivizing Botanical Reasoning in MLLMs with Reinforcement Learning for Precision Weed Grounding

WeedExpert-R1 एक मल्टीमॉडल मॉडल है जिसे सुदृढीकरण शिक्षण (reinforcement learning) और एक डोमेन-विशिष्ट तर्क पाइपलाइन के साथ उन्नत किया गया है जो विविध प्रजातियों और क्षेत्रों में बेहतर परिशुद्धता के साथ खरपतवार की पहचान और स्थानीयकरण प्राप्त करता है, जो सत्यापन योग्य वानस्पतिक तर्क के माध्यम से मतिभ्रम (hallucinations) को कम करते हुए प्रोप्रायटरी और बड़े ओपन-सोर्स मॉडलों दोनों से बेहतर प्रदर्शन करता है।

Zonglin Yang, Wei-Zhen Liang, Nevin Lawrence, Xin Qiao, Benjamin Riggan, Chi-En Chiang, Fuchen Li2026-07-21
💻 computer science

Do Vision Encoders Exhibit Human-like Color Thresholds?

यह बड़े पैमाने पर किया गया अध्ययन प्रकट करता है कि 50 से अधिक प्रीट्रेंड विजन एनकोडर, जिनमें कनवल्शनल नेटवर्क और ट्रांसफॉर्मर दोनों शामिल हैं, आम तौर पर मानव जैसे रंग भेदभाव थ्रेशोल्ड प्रदर्शित करने में विफल रहते हैं, जिसमें सेल्फ-सुपरवाइज्ड मॉडल सबसे अच्छा प्रदर्शन करते हैं फिर भी मानवीय संवेदी संवेदनशीलता के साथ कमजोर संरेखण दिखाते हैं।

Engy Ehab, Pablo Hernández-Cámara, Nahla Belal, Jesús Malo, Javier Vazquez-Corral, Alexandra Gomez-Villa2026-07-21