6404 articoli
Il paper introduce STAR, un metodo innovativo di pre-addestramento autoregressivo per Vision Mamba che utilizza separatori per estendere significativamente la lunghezza delle sequenze in ingresso, ottenendo prestazioni competitive come dimostrato dalla precisione del 83,5% su ImageNet-1k.
Questo articolo presenta un framework di rilevamento degli oggetti subacquei basato su YOLOv10, che integra un modulo di miglioramento adattivo, un meccanismo di attenzione a doppia pooling sequenziale e una nuova funzione di perdita FGIoU per ottenere un'alta precisione e un'efficienza computazionale su dataset come RUOD e DUO.
Questo articolo presenta un autoencoder vettoriale quantizzato (VQAE) per comprimere le etichette morbide nella distillazione dei dataset, riducendo drasticamente i costi di archiviazione su larga scala come ImageNet-1K pur mantenendo oltre il 90% delle prestazioni originali.
Il paper propone SPA (Structure-aware Prompt Adaptation), un metodo plug-and-play che migliora l'apprendimento zero-shot composizionale a vocabolario aperto (OV-CZSL) adattando le prompt sfruttando le strutture locali coerenti nello spazio delle embedding per generalizzare dai concetti visti a quelli non visti tramite analogie semantiche.
Il paper introduce il framework AVAR, che risolve il fenomeno della "Lazy Attention Localization" durante l'inizializzazione a freddo dei modelli multimodali, guidando l'attenzione visiva per ottenere significativi miglioramenti nel ragionamento multimodale senza necessità di riaddestramento.
Il paper presenta FoundPS, un modello fondazionale universale per la pansharpening che supera i limiti dei metodi esistenti grazie a un'architettura innovativa basata su transformer e diffusione latente, offrendo una fusione robusta e agnostica rispetto al sensore validata su un nuovo benchmark globale denominato PSBench.
Il paper propone CWP-Net, una rete all-in-one per il ripristino delle immagini che utilizza un'analisi causale e la disaccoppiamento delle caratteristiche tramite ondelette per eliminare le correlazioni spurie e le stime distorte dei pattern di degradazione, superando così i limiti delle metodologie attuali.
DeepScan è un framework privo di addestramento che migliora il ragionamento visivamente fondato nei Large Vision-Language Models attraverso una scansione gerarchica, un rifocalizzazione collaborativa e un ragionamento potenziato dalle evidenze, ottenendo prestazioni superiori in compiti di comprensione visiva fine senza costi aggiuntivi.
Questo paper propone un quadro di rinforzo feedback che, sfruttando il primo dataset su larga scala di valutazioni umane per la fusione di immagini infrarosse e visibili, allinea le prestazioni del modello agli standard estetici umani attraverso un modello di ricompensa e l'ottimizzazione della politica.
Il paper presenta Yolo-Key-6D, un framework end-to-end a stadio singolo per la stima della posa 6D monocular che, integrando la regressione dei punti chiave e una rappresentazione continua della rotazione, raggiunge un equilibrio competitivo tra accuratezza e velocità in tempo reale sui benchmark LINEMOD.
Il paper presenta UniSync, un framework unificato che combina strategie di addestramento senza maschere e inferenza basata su maschere per ottenere una sincronizzazione labiale ad alta fedeltà e generalizzabile in scenari complessi, superando i limiti dei metodi attuali e introducendo un nuovo benchmark RealWorld-LipSync.
Questo articolo presenta una nuova architettura di rete convoluzionale ispirata che classifica efficacemente i metadati delle tavolette cuneiformi integrando informazioni locali e globali dai dati point-cloud, superando le prestazioni dello stato dell'arte Point-BERT nonostante la scarsità di dati annotati.
Questo lavoro propone un nuovo framework di valutazione unificato e il metodo SURE+ per migliorare l'affidabilità dei classificatori valutando congiuntamente la rilevazione di dati fuori distribuzione e la previsione degli errori, superando i limiti degli approcci tradizionali.
Questo articolo propone un'architettura di tracciamento modulare e asincrona (MATA) basata su transformer e filtri di Kalman estesi, corredata da un nuovo protocollo di valutazione e dalla metrica NT2F, dimostrando attraverso esperimenti su piattaforme UAV embedded come tale approccio migliori robustezza e prestazioni in tempo reale rispetto ai metodi esistenti.
Il paper presenta FGAesthetics, un nuovo database per la valutazione estetica delle immagini a grana fine, e FGAesQ, un framework innovativo che apprende punteggi discriminativi da ranking relativi, superando i limiti dei modelli esistenti nel distinguere sottili variazioni estetiche.
Il paper propone un metodo di iniezione esterna di n-grammi (NGI) nei decoder dei transformer per adattare dinamicamente il modello linguistico durante l'inferenza, migliorando significativamente il riconoscimento del testo scritto a mano su domini linguistici diversi senza richiedere un addestramento aggiuntivo su dati target.
Il paper introduce DISC, un metodo di mappatura semantica open-set che supera i limiti delle approcci attuali grazie a un'estrazione densa e integrata dei contesti semantici in tempo reale, offrendo prestazioni superiori in termini di accuratezza e scalabilità per la robotica.
Il paper presenta CMDR-IAD, un framework unsupervised leggero e flessibile che integra mappatura cross-modale bidirezionale e ricostruzione a doppio ramo per rilevare anomalie industriali in contesti multimodali (2D+3D) e monomodali, ottenendo prestazioni state-of-the-art senza l'uso di memory bank.
Questo studio dimostra che l'uso di reti neurali convoluzionali, in particolare DenseNet121, è promettente per il rilevamento automatico e la classificazione delle artefatti iper- e ipointensi nelle immagini di risonanza magnetica mammaria con diffusione ad alto valore b (b=1500 s/mm²), sebbene siano necessarie ulteriori validazioni.
Questo lavoro introduce il Spatial Causal Prediction (SCP), un nuovo paradigma di task e il relativo benchmark SCP-Bench, per valutare la capacità dei modelli di ragionare su relazioni spaziali e causali non osservabili, rivelando significativi limiti nelle attuali intelligenze artificiali rispetto alle capacità umane.