8178 articoli
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.
Il paper presenta SPGen, un nuovo modello di deep learning che utilizza l'adattamento di dominio non supervisionato e un campionatore di rumore casuale per generare scanpath stocastici realistici per le opere d'arte, superando le limitazioni dei metodi esistenti nel prevedere l'attenzione visiva umana.
Il paper presenta AutoSew, un approccio automatico basato su reti neurali grafiche e geometria che prevede le corrispondenze di cucitura direttamente dai contorni dei pattern 2D, superando i metodi esistenti grazie a un nuovo dataset annotato e ottenendo un'accuratezza del 96% senza richiedere input manuali.
Il paper propone NESTOR, un operatore neurale basato su un framework Mixture-of-Experts annidato che combina dipendenze globali e locali per il pre-addestramento su larga scala di equazioni differenziali parziali, migliorando significativamente generalizzazione e trasferibilità rispetto agli approcci esistenti.
Il paper presenta AdaSpot, un framework efficiente che risolve il problema della localizzazione temporale precisa degli eventi nei video combinando l'elaborazione a bassa risoluzione con la selezione adattiva e non supervisionata di regioni di interesse ad alta risoluzione, ottenendo così prestazioni all'avanguardia senza costi computazionali eccessivi.
WeatherCity è un nuovo framework che ricostruisce scene urbane 4D ad alta fedeltà e ne permette la trasformazione controllata in diverse condizioni meteorologiche, superando le limitazioni dei metodi esistenti attraverso una rappresentazione gaussiana specifica per il meteo e un modello fisico-driven per simulare effetti dinamici coerenti.
Il paper presenta Brain3D, un framework vision-language a tre stadi che utilizza trasformatori visivi 3D inflazionati per generare automaticamente rapporti radiologici clinici da risonanze magnetiche cerebrali volumetriche, ottenendo una precisione clinica significativamente superiore rispetto ai modelli basati su slice 2D.
Il paper presenta GeoDiv, un nuovo framework che utilizza modelli linguistici e vision-language per misurare sistematicamente la diversità geografica nei modelli di generazione immagini, rivelando come questi ultimi tendano a rafforzare stereotipi e a rappresentare in modo distorto e impoverito paesi come India, Nigeria e Colombia.
Il paper presenta Lumosaic, un sistema attivo e compatto per la cattura di video iperspettrali in tempo reale che combina un array LED a banda stretta con una fotocamera a pixel a esposizione codificata e un processo di ricostruzione basato sull'apprendimento per ottenere ricostruzioni spettralmente accurate e temporalmente coerenti anche in presenza di movimento.
Il paper presenta WeaveTime, un framework efficiente e indipendente dal modello che risolve il problema dell'agnosticismo temporale nei Video-LLM introducendo un obiettivo di ricostruzione temporale per l'apprendimento dell'ordine e una cache di focus dinamico per la gestione della memoria in streaming, migliorando così accuratezza e latenza nei contesti online.
Il paper presenta MedTri, un framework di normalizzazione che trasforma i referti medici liberi in triplette strutturate basate sull'anatomia, migliorando significativamente la qualità del pre-addestramento visione-linguaggio medico rispetto ai dati grezzi e alle tecniche esistenti.