7490 articoli
Il paper propone CPN-YOLO, un framework di rilevamento navale SAR ad alta precisione basato su YOLOv8 che integra un modulo di denoising, un meccanismo di attenzione PPA e una funzione di perdita NWD per migliorare la robustezza in scenari complessi e la rilevazione di piccole imbarcazioni, ottenendo risultati superiori rispetto agli stati dell'arte sui dataset HRSID e SSDD.
Il paper propone un framework multimodale end-to-end che integra immagini e metadati DICOM mediante meccanismi di attenzione incrociata e apprendimento dizionario per classificare serie di immagini mediche in modo robusto, superando le sfide legate all'eterogeneità dei dati e alla sparsità dei metadati senza richiedere imputazione.
Il paper propone un modello di diffusione guidato dall'incertezza di polarizzazione che, integrando un prior generativo da modelli testo-immagine, supera i limiti dei metodi esistenti nel ricostruire con alta fedeltà le caratteristiche di polarizzazione (DOP e AOP) dalle immagini grezze a filtro colorato-polarizzato.
Il paper presenta un modello multi-modale e multi-task che combina BERT e CLIP con una strategia di pseudo-etichettatura per rilevare immagini generate dall'IA e identificarne i modelli sottostanti, ottenendo il quinto posto nelle competizioni CT2 con punteggi F1 rispettivamente del 83,16% e del 48,88%.
Il paper propone ReSeg-CLIP, un metodo senza addestramento per la segmentazione semantica open-vocabulary in ambito di telerilevamento che combina un meccanismo di mascheramento gerarchico basato su SAM con una composizione di modelli CLIP specifici per il settore, ottenendo risultati all'avanguardia su tre benchmark.
Il paper propone un sistema ibrido cloud-veicolo che, sfruttando la comunicazione V2X e modelli transformer per la fusione dei dati sensoriali, adatta dinamicamente il carico computazionale e la quantizzazione delle feature per garantire una percezione 3D a 360 gradi con latenza ridotta e maggiore accuratezza rispetto alle soluzioni puramente onboard.
Questo studio propone un metodo di riconoscimento visivo dei luoghi aereo adattivo all'altitudine che, analizzando la densità delle caratteristiche del suolo per stimare l'altitudine relativa e generare immagini query canoniche, raggiunge una localizzazione robusta e ad alta precisione senza richiedere sensori aggiuntivi.
Il paper propone DACESR, un metodo che combina un estrattore di embedding reale (REE) basato su RAM per gestire le immagini degradate e una rete Mamba potenziata da un modulatore di caratteristiche condizionale (CFM), al fine di migliorare la super-risoluzione delle immagini nel mondo reale bilanciando fedeltà e qualità percettiva.
Il paper propone SelfOccFlow, un metodo end-to-end autosupervisionato per la previsione del flusso di occupazione 3D che elimina la necessità di annotazioni umane o supervisione esterna, disaccoppiando i campi di distanza firmati statici e dinamici e apprendendo il movimento implicitamente attraverso l'aggregazione temporale.
Il paper introduce Ref-Adv, un nuovo benchmark per la comprensione delle espressioni referenziali progettato per eliminare scorciatoie e testare rigorosamente il ragionamento visivo dei modelli linguistici multimodali, rivelando che, nonostante le prestazioni elevate su dataset esistenti, gli attuali modelli MLLM falliscono nel gestire espressioni linguisticamente complesse e distrattori difficili.
Il paper propone BUSD-Agent, un framework multi-agente auto-adattivo guidato dall'esperienza che riduce significativamente i rinvii per biopsia e le escalation diagnostiche nel screening e nella diagnosi del cancro al seno tramite ultrasuoni, recuperando casi storici simili per adattare dinamicamente le decisioni senza aggiornamenti parametrici.
Il paper presenta ABPolicy, una politica di flusso asincrona basata su B-spline che garantisce movimenti robotici lisci e reattivi risolvendo le discontinuità e il jitter tipici delle inferenze sincrone attraverso la previsione bidirezionale e l'ottimizzazione di rifitting.
SegMate è un framework efficiente 2.5D basato su un'architettura asimmetrica e meccanismi di attenzione che, pur riducendo significativamente i requisiti computazionali e di memoria, raggiunge prestazioni all'avanguardia nella segmentazione multi-organo su diversi dataset medici.
Il paper introduce CS-CLIP, un modello che risolve il problema delle "mezz verità" nei sistemi di recupero immagine-testo basati su CLIP decomponendo le didascalie in unità di entità e relazioni per un addestramento supervisionato più rigoroso, migliorando significativamente la capacità del modello di penalizzare dettagli errati e aumentando la comprensione composizionale.
Questo lavoro propone un nuovo framework di stima della trasferibilità basato sulla topologia, composto da divergenza globale, consistenza locale ai bordi e fusione adattiva, che supera significativamente gli stati dell'arte nella selezione senza addestramento di modelli fondazione medici per compiti di segmentazione densa.
Il paper presenta GPU-SDF, un framework neurale per la ricostruzione di superfici indoor ad alta fedeltà che supera le limitazioni dei precedenti approcci stimando esplicitamente l'incertezza dei prior geometrici e integrando vincoli complementari per preservare dettagli fini e strutture complesse.
Questo lavoro propone STE-VLN, un approccio che migliora la navigazione visione-linguaggio in ambienti non visti integrando una nuova conoscenza grafica multimodale (YE-KG) estratta da video reali, permettendo agli agenti di superare le istruzioni ambigue e il ragionamento a lungo termine attraverso un meccanismo di recupero gerarchico.
Il paper presenta PointCoT, un nuovo framework e benchmark su larga scala che potenzia i modelli linguistici multimodali nel ragionamento geometrico 3D attraverso un approccio esplicito di "Chain-of-Thought" (Look, Think, then Answer) per ridurre le allucinazioni geometriche.
Questo articolo propone una rete di estrazione delle microespressioni a due rami con fusione adattiva e attenzione parallela, che supera i metodi esistenti raggiungendo un'accuratezza del 74,67% sul dataset CASME II.
Il paper presenta CC-VQA, un metodo senza addestramento per il Visual Question Answering basato sulla conoscenza che mitiga i conflitti di conoscenza integrando un ragionamento sui conflitti centrato sulla visione e una codifica e decodifica guidata dalle correlazioni, ottenendo prestazioni all'avanguardia su diversi benchmark.