10642 पेपर
यह शोध पत्र एडेप्टिव रेजोल्यूशन लेबल एग्रीगेशन (ARLA) को प्रस्तुत करता है, जो एक नवीन विधि है जो अविश्वसनीय, शोरयुक्त और असंगत डेटा पर डीप लर्निंग सेगमेंटेशन मॉडल का प्रभावी ढंग से मूल्यांकन करने के लिए इन्फरेंस के दौरान लेबल और मॉडल प्रेडिक्शन दोनों के रेजोल्यूशन को गतिशील रूप से समायोजित करती है।
यह शोध पत्र ड्यूल-प्यूरिफिकेशन फ्रेमवर्क (DPF) का प्रस्ताव करता है, जो एक नवीन दृष्टिकोण है जो उच्च-निष्ठा (high-fidelity) और पहचान-संरक्षित परिणामों को प्राप्त करने के लिए एडवर्सरियल हेयरस्टाइल प्यूरिफिकेशन और कॉन्ट्रास्टिव ज्योमेट्रिक प्यूरिफिकेशन को पेश करके ज़ीरो-शॉट हेयरस्टाइल ट्रांसफर में पहचान और दोष रिसाव (identity and flaw leakage) की समस्याओं को हल करता है।
SalientGS एक एकीकृत SfM-to-3DGS पाइपलाइन पेश करता है जो महत्व-निर्देशित मार्कोव चेन मोंटे कार्लो (MCMC) गॉसियन आवंटन का उपयोग करता है ताकि मॉडल क्षमता को गतिशील रूप से कम फिट (underfit) क्षेत्रों की ओर पुनर्वितरित किया जा सके, जिससे बिना किसी महंगी SfM प्रीप्रोसेसिंग या फ्रोजन पोज़ इंटरफेस की आवश्यकता के 15 मिनट में अत्याधुनिक (state-of-the-art) बोधगम्य गुणवत्ता प्राप्त होती है।
यह शोध पत्र एमआरआई (MRI) डेटा से अधिग्रहण-निर्भर उपस्थिति (acquisition-dependent appearance) से शारीरिक संरचना (anatomical structure) को अलग करने के लिए एक मेटाडेटा-सुपरवाइज्ड दृष्टिकोण का प्रस्ताव करता है, जो बेहतर प्रतिनिधित्व शिक्षण (representation learning), विसंगति का पता लगाने (inconsistency detection), और क्रॉस-साइट एवं क्रॉस-मोडैलिटी अनुकूलन के लिए एक एकीकृत सामंजस्य मॉडल (unified harmonization model) को सक्षम बनाता है।
यह शोध पत्र SLVMBench प्रस्तुत करता है, जो ट्यूटोरियल युक्त लंबे वीडियो स्ट्रीम से प्रक्रियात्मक कौशल सीखने और उन्हें वास्तविक समय के कार्यों में लागू करने की वीडियो लार्ज लैंग्वेज मॉडल्स की क्षमता का मूल्यांकन करने के लिए डिज़ाइन किया गया पहला बेंचमार्क है, जो यह प्रकट करता है कि वर्तमान मॉडल लॉन्ग-कॉन्टेक्स्ट मेमोरी और स्किल ट्रांसफर की सीमाओं के कारण इस क्षमता में काफी संघर्ष करते हैं।
HierCAD एक पदानुक्रमित (hierarchical) टेक्स्ट-टू-सीएडी फ्रेमवर्क है जो एक एकीकृत स्ट्रक्चर अलाइनमेंट और पैरामीटर ग्राउंडिंग (SAPG) लर्निंग रणनीति द्वारा निर्देशित, ऑब्जेक्ट-लेवल और पार्ट-लेवल रीजनिंग ट्रेजेक्टरीज में सीएडी जनरेशन को विघटित करके जटिल डिजाइनों में संरचनात्मक निरंतरता और पैरामीटर सटीकता को बढ़ाता है।
यह शोध पत्र LMV-Net प्रस्तुत करता है, जो एक डीप लर्निंग मॉडल है जो एक स्पष्ट रूप से संरेखित अनुदैर्ध्य ढांचे के भीतर शारीरिक रूप से पूरक CC और MLO दृश्यों का संयुक्त रूप से विश्लेषण करके स्तन कैंसर के जोखिम की भविष्यवाणी में सुधार करता है, और विभिन्न रोगी उपसमूहों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र विभिन्न औद्योगिक हार्डवेयर और मॉडल आर्किटेक्चर में चार इन्फरेंस फ्रेमवर्क (PyTorch, ONNX Runtime, OpenVINO, और TensorRT) का एक तुलनात्मक अध्ययन प्रस्तुत करता है, जो यह प्रकट करता है कि OpenVINO और TensorRT क्रमशः CPU और GPU प्रदर्शन के लिए सर्वश्रेष्ठ विकल्प हैं, हालांकि TensorRT हमेशा ट्रांसफॉर्मर-आधारित मॉडलों के लिए प्लेन PyTorch से बेहतर प्रदर्शन नहीं करता है।
यह अध्ययन प्रदर्शित करता है कि व्यापक डिफ्यूजन-वेटेड इमेजिंग प्रीप्रोसेसिंग पाइपलाइनों, विशेष रूप से डिस्टॉर्शन करेक्शन (विकृति सुधार) को लागू करने से अपीरेंट डिफ्यूजन कोएफिशिएंट मैप की गुणवत्ता में महत्वपूर्ण सुधार होता है और प्रोस्टेट एमआरआई में स्वचालित PI-RADS वर्गीकरण के लिए डीप लर्निंग मॉडल की भविष्य कहनेवाला सटीकता और नैदानिक विश्वसनीयता को बढ़ाता है।
यह शोध पत्र सेंटिनल-1 और सेंटिनल-2 टाइम सीरीज़ का उपयोग करके दो पूरक डीप लर्निंग दृष्टिकोणों—गौसियन (Gaussian) और क्वांटाइल (Quantile) अनिश्चितता अनुमान—का प्रस्ताव करते हुए अर्थ अवलोकन (Earth Observation) रिग्रेशन में विश्वसनीयता मेट्रिक्स की कमी को संबोधित करता है, जो बिल्डिंग की ऊंचाई, ट्री कैनोपी हाइट और ऊपर-जमीन बायोमास (above-ground biomass) के अनुमान के लिए अच्छी तरह से कैलिब्रेटेड, व्याख्या योग्य कॉन्फिडेंस इंटरवल उत्पन्न करते हैं जो मौजूदा नियतात्मक बेंचमार्क और वैश्विक उत्पादों से बेहतर प्रदर्शन करते हैं।