6602 articoli
Questo articolo propone un nuovo framework per i rilevatori di oggetti one-stage che sostituisce il compito di classificazione con un'attività di ranking ottimizzata tramite una perdita di precisione media (AP-loss) e un algoritmo di ottimizzazione innovativo, ottenendo risultati significativamente migliori senza modificare l'architettura della rete.
Questo paper propone un nuovo framework per i rilevatori di oggetti in una sola fase che sostituisce il compito di classificazione con un compito di ordinamento ottimizzato tramite una perdita di precisione media (AP-loss), risolvendo efficacemente lo squilibrio tra classi e ottenendo prestazioni all'avanguardia grazie a un innovativo algoritmo di ottimizzazione.
Il paper presenta OmniTracker, un modello unificato basato su un paradigma di "tracking con rilevamento" che risolve simultaneamente compiti di tracciamento istanza e categoria condividendo un'unica architettura e pesi, ottenendo prestazioni competitive su sette dataset senza la ridondanza dei metodi specifici per compito.
Il paper introduce la Receptive-Field Attention Convolution (RFAConv), una nuova unità convoluzionale che risolve il problema della condivisione dei parametri tramite un meccanismo di attenzione sui campi ricettivi, migliorando significativamente le prestazioni delle reti neurali con un costo computazionale e parametrico trascurabile.
Il paper propone un nuovo approccio di progettazione ottica "task-driven" che, congelando un modello di visione preaddestrato e ottimizzando solo la lente, supera i limiti dei metodi tradizionali e dell'ottimizzazione end-to-end instabile, producendo lenti che generano immagini meglio adattate alle preferenze del modello e che superano le lenti classiche con lo stesso o un minor numero di elementi.
Il paper propone il metodo TG-MIL, che integra bias induttivi topologici nel framework di Multiple Instance Learning per migliorare significativamente le prestazioni e la generalizzabilità in scenari con dati scarsi, come la classificazione di malattie rare.
Questo lavoro propone un nuovo approccio per l'interpolazione video basato sull'"indicizzazione della distanza" e su una strategia di stima iterativa, che disambigua il movimento degli oggetti fornendo un riferimento esplicito sulla percorrenza tra i frame, migliorando così la qualità percettiva e abilitando nuove funzionalità di editing temporale.
Questo lavoro propone un nuovo modello causale parziale latente per l'apprendimento multimodale che, superando i limiti dei DAG tradizionali, dimostra teoricamente e verifica sperimentalmente come l'apprendimento contrastivo multimodale (MMCL) e modelli pre-addestrati come CLIP possano generare rappresentazioni disaccoppiate robuste, migliorando l'apprendimento con pochi esempi e la generalizzazione di dominio.
Il documento presenta l'adattamento del framework ZACAF, integrato con tecniche di apprendimento per trasferimento e aumento dei dati, per migliorare la precisione e la generalizzabilità dell'analisi automatica della funzione cardiovascolare in zebrafish, inclusa la valutazione di mutanti nrap affetti da cardiomiopatia.
Il paper presenta FiLo, un nuovo metodo per il rilevamento di anomalie zero-shot che migliora le prestazioni combinando descrizioni testuali fine-grained generate da LLM e una localizzazione di alta qualità potenziata da Grounding DINO e interazione cross-modale multiscala, ottenendo risultati all'avanguardia sui dataset MVTec e VisA.
Questo lavoro propone il metodo USEFUL, che riduce il pregiudizio verso la semplicità modificando la distribuzione dei dati di addestramento tramite un campionamento mirato basato sull'output iniziale della rete, migliorando così la generalizzazione in-distribuzione e ottenendo prestazioni state-of-the-art su diversi dataset e architetture.
Il paper presenta OS-Det3D, un framework di formazione in due fasi che combina proposte di oggetti 3D agnostiche alla classe derivate da LiDAR con un modulo di selezione congiunta basato su caratteristiche visive BEV per migliorare la rilevazione di oggetti sconosciuti e noti nella guida autonoma.
Il paper presenta PO-GUISE+, un trasformatore video multi-task che migliora l'efficienza computazionale e l'accuratezza nel riconoscimento delle azioni distratte alla guida selezionando i token in base alla postura del conducente e agli oggetti interagenti, superando gli attuali metodi sullo stato dell'arte su diversi dataset e piattaforme embedded.
Il paper presenta MSSPlace, un metodo innovativo per il riconoscimento dei luoghi che integra dati visivi e testuali provenienti da sensori multipli (telecamere, LiDAR e segmentazione semantica) per generare descrittori unificati, ottenendo prestazioni superiori rispetto agli approcci a singola modalità su dataset reali.
Questo paper presenta un nuovo dataset pubblico composto da video e un'analisi tassonomica di 90 oggetti critici, progettato per migliorare i sistemi di riconoscimento visivo e supportare la navigazione delle persone con disabilità visive, evidenziando al contempo le lacune delle attuali soluzioni di computer vision.
Il paper propone un metodo a due fasi che costruisce un modello causale strutturale nello spazio latente di un VQ-VAE per generare counterfactuali di risonanza magnetica cerebrale 3D ad alta fedeltà, superando i limiti di diversità e qualità delle tecniche generative tradizionali.
Il paper propone il MV-Adapter, un modulo di attenzione adattiva ai canali che migliora le prestazioni della segmentazione di istanze sottomarine nell'architettura USIS-SAM mitigando gli effetti dell'attenuazione della luce, della distorsione cromatica e dei fondali complessi.
Il paper presenta XPoint, un'architettura auto-supervisionata basata su spazi di stato visivi e modulare che supera le limitazioni dei metodi attuali nell'allineamento di immagini multispettrali, ottenendo prestazioni superiori su diverse combinazioni di modalità grazie all'uso di un encoder VMamba e a testine di decodifica specializzate.
Il paper presenta EchoMimicV2, un metodo innovativo per l'animazione umana a mezzo busto che, attraverso una strategia di armonizzazione audio-pose dinamica e l'uso di dati headshot durante l'addestramento, elimina le condizioni ridondanti per ottenere risultati espressivi e di alta qualità senza richiedere input aggiuntivi durante l'inferenza.
Il paper introduce MFP3D, un nuovo framework che stima con precisione le porzioni di cibo a partire da una singola immagine monoculare generando una nuvola di punti 3D e combinando le caratteristiche spaziali e cromatiche per superare i limiti dei metodi esistenti.