7811 articoli
Il paper introduce StoryMovie, un dataset di 1.757 storie allineate a script e sottotitoli cinematografici che, utilizzato per addestrare il modello Qwen Storyteller3, dimostra come l'allineamento semantico migliori significativamente l'attribuzione dei dialoghi e la coerenza narrativa rispetto alla sola grounding visiva.
Il paper propone Meta-FC, un nuovo approccio di meta-apprendimento con coerenza delle caratteristiche che supera i limiti della strategia SRD nel watermarking profondo, migliorando significativamente la robustezza e la generalizzabilità del modello attraverso l'identificazione di attivazioni neuronali stabili e la riduzione dei conflitti di ottimizzazione causati dalle distorsioni.
Questo articolo presenta un framework chiamato Learning-to-Re-Prompt (L2RP) che studia la propagazione degli errori di annotazione nella segmentazione video di Barrett e impara una politica adattiva per intervenire strategicamente con l'esperto, bilanciando così il costo umano e la precisione nella segmentazione.
Il paper presenta DynamicGTR, un framework che potenzia le capacità dei Modelli Linguistici Visivi nel rispondere a domande su grafi selezionando dinamicamente la rappresentazione topologica ottimale per ogni query, migliorando così accuratezza, efficienza e trasferibilità su compiti reali senza necessità di ulteriore addestramento.
Il paper propone GFPL, un nuovo framework di apprendimento federato che utilizza la generazione di prototipi basata su GMM e una strategia di aggregazione tramite distanza di Bhattacharyya per migliorare l'accuratezza nei task visivi con dati sbilanciati e risorse limitate, riducendo al contempo il sovraccarico di comunicazione.
Questo lavoro presenta un approccio basato su una rete neurale UNet per la regressione dei punti chiave e la localizzazione 3D dei coni nel contesto delle corse autonome, dimostrando prestazioni superiori rispetto ai metodi tradizionali grazie all'utilizzo di un ampio dataset personalizzato e una valutazione end-to-end del sistema di percezione.
Il paper introduce NESS, un metodo per l'apprendimento continuo che mitiga la catastrofe dell'oblio applicando aggiornamenti dei pesi nello spazio nullo stimato dai valori singolari più piccoli, garantendo così l'adattamento ai nuovi compiti senza interferire con le conoscenze precedenti.
Il paper presenta "Geometry-as-context", un nuovo metodo che modula la generazione video 3D coerente con la scena utilizzando un modello autoregressivo controllato dalla camera per stimare iterativamente la geometria e ricostruire le immagini, superando i limiti di errore accumulato e di non differenziabilità delle tecniche precedenti.
Questo studio presenta CARD-ViT, un framework basato su un Vision Transformer auto-supervisionato addestrato esclusivamente su TC cardiache sincronizzate, che permette di eseguire con successo la valutazione del calcio coronarico anche su scansioni TC non sincronizzate, facilitando così lo screening cardiovascolare su larga scala senza necessità di esami aggiuntivi.
Il paper propone la regolarizzazione D-ODR, un approccio che modella la progressione della retinopatia diabetica come un flusso diretto vincolato per evitare transizioni biologicamente implausibili e migliorare l'accuratezza della classificazione rispetto ai metodi esistenti.
Questo articolo presenta un framework di deep learning leggero basato su MobileNetV3 e CORAL, ottimizzato per dispositivi mobili, che raggiunge un'elevata accuratezza nella valutazione automatica della retinopatia diabetica attraverso l'analisi di immagini del fondo oculare.
Il paper presenta MVGFDR, un framework end-to-end basato su fusione di grafi multi-vista che migliora la classificazione della retinopatia diabetica disaccoppiando le caratteristiche visive condivise e specifiche per vista attraverso l'inizializzazione di grafi, la fusione guidata dal dominio della frequenza e la ricostruzione mascherata, superando così gli approcci esistenti sul dataset MFIDDR.
MindDriver è un nuovo framework di ragionamento multimodale progressivo che supera le limitazioni delle attuali strategie di pensiero a catena nei modelli visione-linguaggio per la guida autonoma, integrando comprensione semantica, immaginazione spazio-fisica e pianificazione di traiettorie attraverso un'annotazione dati guidata dal feedback e un affinamento progressivo per ottenere prestazioni superiori nelle valutazioni open-loop e closed-loop.
Il paper propone GLoTran, un nuovo framework basato su MLLM che integra una percezione visiva globale e locale per migliorare la traduzione di immagini ricche di testo ad alta risoluzione, supportato dal nuovo dataset su larga scala GLoD.
Questo paper propone un metodo di inizializzazione per grafi di pose basato sulla priorizzazione globale degli spigoli tramite una GNN, che supera i limiti delle tecniche di retrieval tradizionali generando grafi più compatti e accurati, specialmente in scenari ambigui o con dati sparsi.
Il paper presenta Dream-SLAM, un innovativo sistema di SLAM attivo monoculare che supera le limitazioni degli approcci esistenti in ambienti dinamici generando immagini e strutture semantiche "sognate" per migliorare la stima della posa, la coerenza della mappa 3D e la pianificazione di traiettorie a lungo termine.
Il paper introduce PanoEnv, un benchmark VQA su larga scala per ambienti panoramici 3D e un framework di apprendimento per rinforzo basato su GRPO con un curriculum a due stadi, che insieme migliorano significativamente le capacità di ragionamento spaziale dei modelli visione-linguaggio, permettendo a un modello da 7B di superare le prestazioni di modelli più grandi.
Il paper presenta WoG (World Guidance), un framework che migliora la generazione di azioni nei modelli Vision-Language-Action mappando le osservazioni future in condizioni compatte all'interno del processo di inferenza, ottenendo così una modellazione del mondo efficace che garantisce una generazione di azioni più precisa e una migliore generalizzazione.
Questo lavoro propone un metodo robusto per il riconoscimento dei segnali chilometrici nei metropolitane, basato su modelli fondazionali pre-addestrati e sull'integrazione di dati RGB ed eventi, accompagnato dal rilascio del primo grande dataset sincronizzato EvMetro5K per affrontare le sfide di illuminazione e velocità.
Gli autori propongono RT-RMOT, un nuovo compito di tracciamento multi-oggetto referenziato che fonde dati RGB e termici, supportato dal primo dataset multimodale RefRT e dal framework RTrack basato su un modello linguistico multimodale ottimizzato con strategie di apprendimento per rinforzo per garantire prestazioni robuste in condizioni di scarsa visibilità.