11061 पेपर
यह शोध पत्र सैटेलाइट वीडियो ऑब्जेक्ट डिटेक्शन के लिए एक टेम्पोरल कंसिस्टेंसी लर्निंग (TCL) फ्रेमवर्क प्रस्तावित करता है जो SAT-MTB बेंचमार्क पर अत्याधुनिक ओरिएंटेड और फाइन-ग्रेंड डिटेक्शन सटीकता प्राप्त करने के लिए टेम्पोरल फीचर एग्रीगेशन, स्ट्रक्चर एनकोडिंग और कंसिस्टेंसी कंस्ट्रेंट्स को एकीकृत करता है।
यह शोध पत्र एक मल्टी-व्यू फीचर हाई-ऑर्डर फ्यूजन (MHF) विधि प्रस्तावित करता है जो अंतरिक्ष इमेजरी में कमजोर वस्तुओं के पता लगाने और विभाजन को बढ़ाने के लिए हाई-ऑर्डर एग्रीगेशन और रिकर्सिव गेटेड सिलेक्शन का लाभ उठाता है, जिससे कई डेटासेट्स पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोधपत्र SAGA का प्रस्ताव करता है, जो एक प्रशिक्षण ढांचा है जो ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन और अटेंशन डिस्टिलेशन के माध्यम से एट्रिब्यूट-रिजॉल्व्ड सुपरविजन सिग्नल्स उत्पन्न करने के लिए एक फ्रोजन मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) का लाभ उठाता है, जिससे इन्फरेंस लागत बढ़ाए बिना मानक स्केलर-डिस्टेंस बेसलाइन्स की तुलना में ज़ीरो-शॉट विज़ुअल रिट्रीवल प्रदर्शन में उल्लेखनीय सुधार होता है।
GeoStream एक सटीक, मीट्रिक-स्केल कैमरा-नियंत्रित स्ट्रीमिंग वीडियो जनरेशन के लिए एक फ्रेमवर्क है जो इम्पलिसिट मोशन लर्निंग और स्टैटिक ज्योमेट्रिक कंडीशनिंग की सीमाओं को दूर करने के लिए एक सेल्फ-रिफ्रेशिंग 3D कैश और पूर्ण रूप से ऑन-पॉलिसी डिस्टिलेशन का उपयोग करता है।
यह शोध पत्र अल्ट्रासेग (UltraSeg) को प्रस्तुत करता है, जो पॉइंट-ऑफ-केयर अल्ट्रासाउंड सेगमेंटेशन के लिए अनुकूलित एक अल्ट्रा-लाइटवेट एआई आर्किटेक्चर है, जो जीपीयू (GPU) पर निर्भरता के बिना केवल सीपीयू (CPU) और मोबाइल उपकरणों पर वास्तविक समय में, क्लिनिकल-ग्रेड प्रदर्शन प्राप्त करता है, जिससे बड़े मॉडलों की सटीकता के साथ मेल खाते हुए संसाधन-सीमित सेटिंग्स में उन्नत निदान को सक्षम बनाया जा सके।
यह शोध पत्र UCS-Bench प्रस्तुत करता है, जो एगोसेंट्रिक (egocentric) वीडियो में उपयोगकर्ता-केंद्रित निरंतर स्थानिक तर्क (continual spatial reasoning) के मूल्यांकन के लिए एक बड़े पैमाने का डेटासेट है, और DirectMe का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो मल्टीमॉडल एलएलएम (LLMs) की दीर्घकालिक स्थानिक तर्क क्षमताओं को महत्वपूर्ण रूप से बढ़ाने के लिए संरचित स्थानिक स्मृति (structured spatial memory) को क्रमिक रूप से निर्मित करता है।
यह अध्ययन प्रदर्शित करता है कि बड़े विजन-लैंग्वेज मॉडल, विशेष रूप से GPT-4o और Gemini Pro, आई-ट्रैकिंग प्रशिक्षण डेटा की आवश्यकता के बिना सुरक्षा-संबंधित वातावरण में मानव दृश्य ध्यान पैटर्न का प्रभावी ढंग से अनुमान लगा सकते हैं, जैसा कि मॉडल-जनित सलेन्सी मैप्स और मानव दृष्टि हीटमैप्स के बीच मजबूत स्थानिक संरेखण मेट्रिक्स से प्रमाणित होता है।
यह शोध पत्र SPARK का प्रस्ताव करता है, जो एक हल्का सुदृढीकरण शिक्षण (reinforcement learning) नीति वाला ढांचा है जो क्षेत्र-विशिष्ट पुनर्निर्माण कठिनाइयों के आधार पर स्थानिक स्थानों में ज्ञान आसवन (knowledge distillation) प्रयासों को अनुकूल रूप से आवंटित करने के लिए उपयोग किया जाता है, जिससे बिना किसी अनुमान लागत (inference cost) को बढ़ाए कम-बिट क्वांटाइज्ड इमेज रेस्टोरेशन नेटवर्क के प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र घुटने के रेडियोग्राफ से निचले अंग के संरेखण का आकलन करने के लिए 'इम्प्लिसिट न्यूरल शेप फंक्शन्स' का उपयोग करते हुए एक लैंडमार्क-मुक्त स्वचालित वर्कफ़्लो प्रस्तावित करता है, जो स्पष्ट शारीरिक लैंडमार्क डिटेक्शन की आवश्यकता को समाप्त करते हुए एक लचीली प्रस्तुति प्रदान करता है और अत्याधुनिक विधियों के तुलनीय प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र डिटेक्शन ट्रांसफॉर्मर्स को इंक्रीमेंटल ऑब्जेक्ट डिटेक्शन में अनुकूलित करने में प्रदर्शन गिरावट के मूल कारण के रूप में ग्रेडिएंट डाइल्यूशन (gradient dilution) की पहचान करता है और FAS का प्रस्ताव करता है, जो एक एकीकृत ढांचा है जो प्रायर-इंजेक्टेड क्वेरीज (prior-injected queries), डिटर्मिनिस्टिक एंकर डिस्टिलेशन (deterministic anchor distillation) और मैनिफोल्ड-सपोर्ट रिप्ले (manifold-support replay) के माध्यम से ग्रेडिएंट प्रवाह को केंद्रित, संरेखित और बनाए रखने पर ध्यान केंद्रित करता है ताकि अत्याधुनिक विधियों से काफी बेहतर प्रदर्शन किया जा सके।