8460 articoli
Il paper presenta una soluzione rapida e accurata al problema della prospettiva a quattro punti, basata su una nuova separazione delle variabili che riduce il problema a un'orientazione assoluta risolvibile con formule esplicite, risultando significativamente più veloce degli algoritmi esistenti mantenendo un'accuratezza comparabile.
Questo lavoro propone un innovativo framework di apprendimento auto-supervisionato che sfrutta le caratteristiche spaziali e temporali delle immagini Street View per apprendere rappresentazioni robuste degli ambienti urbani, superando i metodi esistenti in compiti come il riconoscimento dei luoghi, la stima socioeconomica e la percezione uomo-ambiente.
Questo studio presenta SAMRI-2, un modello di visione artificiale basato sulla memoria e arricchito da una strategia di mescolamento ibrida, che supera le prestazioni degli attuali metodi di segmentazione per la cartilagine e il menisco nelle risonanze magnetiche 3D del ginocchio, garantendo alta precisione con un ridotto sforzo di annotazione.
Il paper propone IVPT, un nuovo framework che migliora l'interpretabilità del visual prompt tuning collegando i prompt a concetti semantici umani attraverso prototipi cross-layer, garantendo al contempo prestazioni superiori nelle classificazioni fine-grained.
Il paper introduce Hier-COS, un nuovo framework che allinea le rappresentazioni degli features alla gerarchia delle classi tramite sottospazi ortogonali, corregge le metriche di valutazione esistenti con HOPS e dimostra prestazioni superiori su dataset complessi rispetto agli stati dell'arte.
Il paper propone SpHOR, un metodo di apprendimento rappresentativo che migliora il riconoscimento in scenari open-set attraverso embedding di etichette ortogonali, vincoli sferici e tecniche di regolarizzazione, ottenendo risultati all'avanguardia su diversi benchmark.
Il paper presenta PSGait, un framework innovativo che combina lo scheletro di parsing con i contorni per migliorare l'accuratezza e l'efficienza del riconoscimento dell'andatura in scenari reali, superando i metodi esistenti con minori risorse computazionali.
Il paper introduce VideoMind, un agente video-linguistico innovativo che utilizza un flusso di lavoro basato su ruoli e un meccanismo Chain-of-LoRA per migliorare il ragionamento temporale e la capacità di fornire risposte fondate su evidenze visive nei video.
Il paper presenta ShapeShift, un metodo che utilizza la guida semantica dei modelli di diffusione per risolvere le sovrapposizioni tra oggetti rigidi in modo anisotropo e semanticamente coerente, generando così mosaici che rispettano sia la validità fisica che il concetto visivo descritto dal testo.
Questo lavoro introduce il dataset e il benchmark Qualcomm Interactive Video Dataset (IVD) per valutare le capacità dei modelli visione-linguaggio di rispondere in tempo reale a domande su scene reali, dimostrando che, sebbene i modelli attuali siano molto inferiori agli esseri umani, il fine-tuning su questo tipo di dati può colmare significativamente il divario nelle competenze percettive necessarie.
Il paper propone un metodo innovativo per l'apprendimento incrementale di nuove classi con pochi esempi, ispirato all'analogia umana, che genera pesi per le nuove classi senza fine-tuning dei parametri utilizzando un generatore analogico basato su tre moduli specifici, ottenendo risultati superiori rispetto agli stati dell'arte su diversi dataset.
Il paper introduce JavisDiT, un modello Transformer di diffusione congiunto audio-video che garantisce una generazione sincronizzata di alta qualità attraverso un meccanismo di priorizzazione spaziotemporale gerarchica (HiST-Sypo) e un nuovo benchmark chiamato JavisBench.
Il paper introduce STEP, un metodo di probing leggero che incorpora l'ordine temporale tramite codifiche posizionali e un meccanismo di attenzione semplificato, superando sia il probing convenzionale che le tecniche di fine-tuning più pesanti nel riconoscimento di azioni quasi simmetriche per l'interazione uomo-robot.
Il paper propone DL4ND, il primo metodo diretto per la Generalizzazione Consapevole del Rumore (NAG), che sfrutta la variazione dei campioni rumorosi attraverso diversi domini per superare i limiti delle tecniche esistenti e ottenere prestazioni superiori su sette dataset diversi.
Il paper presenta nnLandmark, un framework autoconfigurante basato su nnU-Net che automatizza la rilevazione di landmark medici 3D, offrendo prestazioni all'avanguardia, facilità d'uso senza necessità di tuning manuale e un ambiente standardizzato per il benchmarking e il confronto equo tra i metodi.
Il paper propone un metodo di matching delle caratteristiche semi-denso che utilizza un'attenzione guidata dalla fiducia per adattivamente potare i pesi e ridimensionare le caratteristiche in base a mappe di fiducia precalcolate, eliminando così il rumore dalle regioni irrilevanti e superando gli approcci esistenti su tre benchmark.
Il paper presenta GRILL, una tecnica che ripristina i segnali gradiente negli strati mal condizionati degli autoencoder, consentendo attacchi avversariali più efficaci e una valutazione più rigorosa della loro robustezza.
Il paper propone un metodo di trasferimento delle rappresentazioni delle caratteristiche verso modelli leggeri basato sulla "coerenza percettiva", una nuova nozione probabilistica che permette allo studente di imitare la percezione del docente preservando il ranking delle dissimilarità piuttosto che la geometria assoluta, ottenendo prestazioni superiori o paragonabili ai metodi esistenti.
Il paper introduce U2-BENCH, il primo benchmark completo per valutare le capacità dei grandi modelli visione-linguaggio nell'interpretazione delle immagini ecografiche attraverso 8 compiti clinici e 7.241 casi, rivelando che, sebbene le prestazioni nella classificazione siano promettenti, restano sfide significative nel ragionamento spaziale e nella generazione di linguaggio clinico.
Il paper presenta TEMU-VTOFF, un nuovo framework basato su un'architettura dual DiT potenziata da meccanismi di attenzione multimodale e testuali che risolve le ambiguità visive e preserva i dettagli per generare immagini di prodotto standardizzate a partire da foto di persone vestite, superando le limitazioni degli approcci esistenti e raggiungendo prestazioni state-of-the-art.