1863 articoli
Il paper propone M3GCLR, un nuovo framework di apprendimento contrastivo basato sulla teoria dei giochi che affronta le limitazioni delle metodologie esistenti per il riconoscimento di azioni scheletriche attraverso un modello di gioco infinito multi-vista e un ottimizzatore dual-loss, ottenendo risultati all'avanguardia su diversi dataset di riferimento.
Il paper propone MIL-PF, un framework scalabile che combina encoder fondazionali congelati con un modulo di aggregazione leggero basato su Multiple Instance Learning per classificare le mammografie in modo efficiente, ottenendo prestazioni all'avanguardia senza la necessità di un costoso riaddestramento end-to-end.
Il paper presenta SinGeo, un framework innovativo che utilizza un'architettura di apprendimento discriminativo duale e una strategia di curriculum learning per abilitare un singolo modello a raggiungere una geo-localizzazione cross-view robusta e state-of-the-art su diverse condizioni di campo visivo, superando i limiti delle metodologie esistenti.
Il paper introduce EventVGGT, un nuovo framework che supera i limiti delle attuali stime di profondità basate su eventi modellando il flusso come una sequenza video coerente e distillando conoscenze spaziotemporali e geometriche dal modello VGGT attraverso una strategia di distillazione tri-livello, ottenendo così risultati significativamente più accurati e coerenti nel tempo.
Il paper presenta MIDAS, un framework di steganografia senza copertura basato su diffusione e privo di addestramento che abilita il nascondimento di più immagini con controllo degli accessi specifico per utente, superando i limiti delle soluzioni esistenti in termini di qualità, robustezza e resistenza all'analisi steganografica.
Questo rapporto presenta la sfida ICDAR 2025 sulla traduzione automatica end-to-end di documenti complessi, analizzando dataset, protocolli di valutazione e risultati ottenuti da 69 squadre, evidenziando come gli approcci basati su modelli di grandi dimensioni stiano definendo un nuovo paradigma promettente per questo settore.
Il paper introduce YOLO-NAS-Bench, il primo benchmark surrogato per la ricerca architettonica di modelli YOLO, che utilizza un meccanismo di auto-evoluzione per affinare un predittore basato su LightGBM, permettendo di scoprire architetture di rilevamento oggetti superiori alle versioni ufficiali con costi di valutazione drasticamente ridotti.
Il paper introduce il Fully Convolutional Diffusion Model (FCDM), un'architettura basata su ConvNeXt che dimostra come i modelli convoluzionali moderni possano offrire un'alternativa altamente efficiente e competitiva rispetto ai Transformer per la generazione di immagini, riducendo drasticamente i requisiti computazionali e di tempo di addestramento.
Il paper presenta RiO-DETR, il primo trasformatore di rilevamento orientato in tempo reale che risolve le sfide specifiche degli angoli attraverso design nativi come la stima dell'angolo guidata dal contenuto e la raffinazione periodica disaccoppiata, ottenendo un nuovo compromesso tra velocità e accuratezza su dataset orientati.
Il paper introduce PromptDLA, un framework di analisi del layout documentale consapevole del dominio che utilizza prompt descrittivi come indizi per integrare conoscenze specifiche del settore, superando le limitazioni dei metodi attuali e ottenendo prestazioni all'avanguardia su diversi dataset pubblici.
Il paper presenta CIGPose, un framework basato su un'intervento causale e reti neurali grafiche che elimina le correlazioni spurie legate al contesto visivo per migliorare la robustezza e l'accuratezza della stima della posa del corpo intero, ottenendo nuovi risultati state-of-the-art sul dataset COCO-WholeBody.
Il paper presenta MetaDAT, un metodo di previsione delle traiettorie che combina un pre-addestramento meta-learning con un aggiornamento adattivo dei dati durante il test per migliorare l'accuratezza e l'efficienza in scenari con cambiamenti distributivi.
Questo lavoro introduce l'Open-World Motion Forecasting, un nuovo paradigma che supera i limiti degli approcci chiusi permettendo ai veicoli autonomi di prevedere le traiettorie direttamente dalle immagini e di adattarsi continuamente a nuove classi di oggetti senza dimenticare quelle apprese in precedenza, grazie a un framework end-to-end che combina pseudo-etichettatura, modelli visione-linguaggio e strategie di replay innovative.
Il paper presenta GIIM, un nuovo approccio basato su grafi per la diagnosi medica multi-vista che migliora l'accuratezza e la robustezza dei sistemi CADx modellando simultaneamente le dipendenze intra- e inter-vista e gestendo efficacemente i dati mancanti.
Il paper presenta OncoAgent, un agente AI innovativo che traduce le linee guida cliniche testuali in volumi target tridimensionali per la radioterapia in modo zero-shot e senza riaddestramento, ottenendo prestazioni superiori e una maggiore conformità alle linee guida rispetto ai modelli supervisionati tradizionali.
Il paper propone EvoDriveVLA, un innovativo framework di distillazione collaborativa percezione-pianificazione che risolve le instabilità dei modelli Vision-Language-Action per la guida autonoma integrando vincoli percettivi auto-ancorati e ottimizzazione delle traiettorie guidata da un "oracle", ottenendo prestazioni all'avanguardia nelle valutazioni open-loop e closed-loop.
Il paper presenta TopoOR, un nuovo paradigma che utilizza una rappresentazione topologica di ordine superiore per modellare le sale operatorie, superando i limiti delle strutture tradizionali preservando le relazioni complesse e multimodali necessarie per la sicurezza chirurgica e ottenendo risultati superiori in compiti critici come il rilevamento di violazioni della sterilità e la previsione delle azioni.
Il paper presenta il Corpus Patrologia Graeca, la prima risorsa OCR e linguistica aperta su larga scala per le edizioni greche del XIX secolo, ottenuta tramite una pipeline avanzata che raggiunge un'accuratezza eccezionale nel riconoscimento del greco politonico degradato e fornisce sei milioni di token annotati per la ricerca filologica e l'addestramento di modelli di linguaggio.
Il paper introduce OmniEarth, un benchmark completo per valutare le capacità di percezione, ragionamento e robustezza dei modelli visione-linguaggio applicati all'osservazione della Terra, evidenziando attraverso una rigorosa valutazione su 9.275 immagini e 44.210 istruzioni che le attuali soluzioni faticano ancora a gestire compiti geospaziali complessi.
Il paper introduce PruneSID, un metodo senza addestramento per la compressione dei token visivi nei modelli visione-linguaggio che, combinando analisi delle componenti semantiche e soppressione non massima, preserva l'essenza delle informazioni riducendo drasticamente il carico computazionale e migliorando le prestazioni rispetto agli approcci esistenti.