10686 पेपर
MSRNet एक नवीन मल्टी-स्केल रिकर्सिव नेटवर्क है जो जटिल परिदृश्यों में छोटे और कई छलावरण वाले (camouflaged) ऑब्जेक्ट्स का पता लगाने में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए पिरामिड विजन ट्रांसफॉर्मर बैकबोन, विशिष्ट अटेंशन-आधारित इंटीग्रेशन यूनिट्स और एक रिकर्सिव-फीडबैक डिकोडिंग रणनीति का लाभ उठाता है।
यह शोध पत्र Bench-C, एक नियंत्रित टेस्टबेड और रोबस्टनेस अलाइनमेंट स्कोर (RAS) मेट्रिक प्रस्तुत करता है ताकि यह प्रकट किया जा सके कि कैसे विजुअल करप्शन (दृश्य भ्रष्टाचार), विजन-लैंग्वेज मॉडल्स की वितरण संबंधी विश्वसनीयता (distributional reliability) और संरचनात्मक स्थिरता (structural stability) को चुपचाप कम कर सकते हैं, भले ही टॉप-1 सटीकता में सुधार होता हुआ दिखाई दे।
यह शोध पत्र "जेनरेटिव एक्शन टेल-टेल्स" (Generative Action Tell-Tales) प्रस्तुत करता है, जो सिंथेटिक वीडियो में मानव गति की टेम्पोरल और एनाटॉमिकल संभाव्यता का आकलन करने के लिए अपीयरेंस-अग्नोस्टिक स्केलेटल ज्योमेट्री को अपीयरेंस-आधारित फीचर्स के साथ जोड़ता है, जो मौजूदा विधियों की तुलना में 68% का महत्वपूर्ण सुधार और मानव धारणा के साथ एक मजबूत सहसंबंध प्रदर्शित करता है।
यह शोध पत्र टूल बॉटलनेक फ्रेमवर्क (TBF) प्रस्तुत करता है, जो मेडिकल इमेज अंडरस्टैंडिंग के लिए एक नवीन दृष्टिकोण है जो टेक्स्ट-आधारित टूल कंपोजिशन को VLM-चयनित टूल्स से नैदानिक रूप से प्रासंगिक फीचर्स को फ्यूज करने वाले एक सीखे हुए न्यूरल नेटवर्क से बदल देता है, जिससे विशेष रूप से डेटा-सीमित व्यवस्थाओं में बेहतर प्रदर्शन और व्याख्यात्मकता प्राप्त होती है।
यह शोध पत्र SwinIFS को प्रस्तुत करता है, जो एक लैंडमार्क-गाइडेड स्विन ट्रांसफॉर्मर फ्रेमवर्क है जो अत्यधिक अपस्केलिंग कारकों के तहत भी श्रेष्ठ पहचान-संरक्षण वाले फेस सुपर-रिज़ॉल्यूशन को प्राप्त करने के लिए चेहरे के लैंडमार्क्स के डेंस गौसियन हीटमैप्स को पदानुक्रमित अटेंशन मैकेनिज्म के साथ एकीकृत करता है।
यह शोध पत्र Zoom-IQA प्रस्तुत करता है, जो एक विजन लैंग्वेज मॉडल है जो एक ग्राउंडेड रैशनले डेटासेट पर सुपरवाइज्ड फाइन-ट्यूनिंग और विश्वसनीय, व्याख्यात्मक और सामान्यीकरण योग्य प्रदर्शन सुनिश्चित करने के लिए विशेष रेगुलराइजर्स के साथ रिइन्फोर्समेंट लर्निंग को शामिल करने वाले दो-चरणीय प्रशिक्षण पाइपलाइन के माध्यम से अनिश्चितता जागरूकता और क्षेत्र तर्क जैसे संज्ञानात्मक व्यवहारों का अनुकरण करके छवि गुणवत्ता मूल्यांकन को बढ़ाता है।
यह शोध पत्र 'सेलेक्टिव मास्क प्रोपेगेशन' नामक एक प्रशिक्षण-मुक्त, ब्लैक-बॉक्स ट्रैकिंग फ्रेमवर्क प्रस्तावित करता है जो उच्च असाइनमेंट अनिश्चितता वाले फ्रेमों पर ही गणनात्मक रूप से महंगे वीडियो ऑब्जेक्ट सेगमेंटेशन मॉडलों को गतिशील रूप से डिस्पैच करता है, जिससे दक्षता बनाए रखते हुए पहचान संबंधी त्रुटियों को प्रभावी ढंग से सुधारा जा सके और स्पोर्ट्समोट (SportsMOT) जैसे बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र को-अकरेंस वेटेड अडैप्टेशन (CoWA) का प्रस्ताव करता है, जो चेस्ट एक्स-रे निदान के लिए एक टेस्ट-टाइम अडैप्टेशन विधि है, जो शोर वाले भविष्यवाणियों को कम करने और डोमेन शिफ्ट के तहत मॉडल की मजबूती में सुधार करने के लिए संरचित रोग सह-अस्तित्व (को-अकरेंस) पैटर्न का लाभ उठाता है।
यह शोधपत्र यह प्रदर्शित करता है कि लॉन्ग-टेल्ड चेस्ट एक्स-रे वर्गीकरण में, स्वीकार्य रैंकिंग मेट्रिक्स विशिष्ट उपसमूहों के भीतर दुर्लभ सकारात्मक मामलों के गंभीर अंडरडायग्नोसिस (कम निदान) को छिपा सकते हैं, जिसके लिए विविध रोगी जनसांख्यिकी में फॉल्स नेगेटिव रेट को महत्वपूर्ण रूप से कम करने हेतु सबग्रुप-अवेयर वेटिंग और टेल-विशिष्ट थ्रेशोल्ड चयन के एक संयुक्त दृष्टिकोण की आवश्यकता होती है।
ReCoLoRA एक स्पेक्ट्रम-जागरूक निरंतर फाइन-ट्यूनिंग फ्रेमवर्क है जो प्रभावी भारों (weights) को फ्रोजन अवशेषों (frozen residuals) और अपडेटेड प्रिंसिपल कंपोनेंट्स में पुन: विघटित करके लो-रैंक एडेप्टर्स को पुनरावर्ती रूप से समेकित करता है, जिससे कैटास्ट्रोफिक फॉरगेटिंगिंग को रोका जा सकता है और मौजूदा विधियों की तुलना में कम मापदंडों के साथ बेहतर प्रदर्शन प्राप्त किया जा सकता है।