8943 articoli
Lo studio dimostra che i modelli visione-linguaggio falliscono nel localizzare accuratamente celle riempite in griglie binarie prive di testo, rivelando che la loro capacità di ragionamento spaziale dipende criticamente da un percorso di riconoscimento testuale che supera di gran lunga le loro abilità visive native.
Il paper presenta ReMoRa, un modello linguistico multimodale che supera le sfide della comprensione di video lunghi elaborando direttamente rappresentazioni di movimento compresse e raffinate, ottenendo prestazioni superiori rispetto ai metodi esistenti su diversi benchmark.
Il paper presenta StructCore, un metodo di scoring a livello di immagine privo di addestramento che supera il pooling massimo tradizionale nell'individuazione di anomalie non supervisionata calcolando un descrittore strutturale e applicando una calibrazione di Mahalanobis per ottenere prestazioni superiori su dataset come MVTec AD e VisA.
Il paper presenta GraphThinker, un metodo di affinamento basato sul rinforzo che riduce le allucinazioni nel ragionamento video costruendo grafi di scene basati su eventi e integrando un premio di attenzione visiva per migliorare la comprensione delle relazioni causali e il grounding.
Il paper presenta DesignAsCode, un nuovo framework che tratta la generazione di design grafici come un compito di sintesi programmatica utilizzando HTML/CSS e un pipeline Plan-Implement-Reflect, superando i limiti delle approcci esistenti garantendo sia un'elevata fedeltà visiva che una dettagliata modificabilità strutturale.
BLM-Guard è un framework multimodale spiegabile per la moderazione degli annunci video che combina il ragionamento Chain-of-Thought, principi di policy e ricompense guidate da un critico per rilevare con maggiore precisione le manipolazioni visive e le incongruenze cross-modali.
Questo studio presenta una fedele replica del metodo FedTPG, confermando che la generazione dinamica di prompt guidata dal testo in un contesto di apprendimento federato migliora significativamente la generalizzazione delle vision-language models su classi non viste rispetto ai metodi statici.
Il documento presenta COMPASS, un sistema di gemello digitale temporale basato sull'intelligenza artificiale che analizza dati multimodali frazionali per prevedere la tossicità nei pazienti con carcinoma polmonare non a piccole cellule, dimostrando la fattibilità di un approccio di radioterapia adattiva guidato dalle risposte biologiche individuali in evoluzione.
Il paper presenta MARVUS, un sistema di realtà aumentata mobile ed efficiente che, utilizzando un modello fondazionale, migliora significativamente l'accuratezza e la riproducibilità delle ricostruzioni volumetriche delle lesioni tramite ecografia 2D, riducendo la variabilità inter-operatoria e i costi rispetto alle soluzioni 3D tradizionali.
Questo studio dimostra che la combinazione di tecniche di riequilibrio dei dati e metodi di disaccoppiamento delle caratteristiche rappresenta l'approccio più efficace per mitigare l'apprendimento di scorciatoie nei modelli di deep learning per l'imaging medico, migliorando la robustezza e la generalizzazione senza compromettere l'efficienza computazionale.
Questo articolo presenta un framework di visione artificiale basato su una singola telecamera che, utilizzando YOLO e ByteTrack, estrae dati di tracciamento multi-classe da riprese televisive di calcio, offrendo alle squadre con budget limitato un'alternativa economica ai costosi sistemi di tracciamento dedicati.
Questo studio introduce un nuovo framework di analisi basato sul ripristino che, utilizzando Sparse Autoencoder, dimostra come la maggior parte dei metodi di "machine unlearning" si limiti a sopprimere le informazioni a livello di output anziché cancellarle realmente dalle rappresentazioni interne, evidenziando la necessità di nuovi criteri di valutazione che verifichino la rimozione effettiva dei dati a livello semantico.
Questo studio introduce un nuovo modello stocastico continuo che, integrando dati di tracking potenziati dalla posa per quantificare la visione dei giocatori, supera i limiti dei metodi tradizionali basati sul movimento della testa e dimostra come le metriche visive aggregate siano predittive del successo in gioco, offrendo inoltre strumenti open-source per l'integrazione con le analisi calcistiche esistenti.
Il paper presenta Sketch2Feedback, un framework "grammar-in-the-loop" che combina rilevamento simbolico e modelli linguistici multimodali per generare feedback grammaticale e allineato alle rubriche su diagrammi STEM, riducendo significativamente le allucinazioni rispetto ai modelli end-to-end e migliorando l'azione del feedback pur mantenendo prestazioni competitive.
Questo studio valuta se le metriche generative standard possano prevedere le prestazioni di YOLOv11 nell'addestramento con immagini sintetiche, rivelando che l'efficacia dell'aumento dei dati e la correlazione con le metriche dipendono fortemente dalla complessità del dataset e dal regime di addestramento, con guadagni significativi solo in scenari di rilevamento più complessi.
Il paper presenta JAEGER, un framework che estende i modelli linguistici audio-visivi alla percezione 3D integrando osservazioni RGB-D e ambisonics multicanale con una nuova rappresentazione audio vettoriale neurale, validato sul benchmark SpatialSceneQA per migliorare il grounding spaziale e il ragionamento in ambienti fisici complessi.
Questo studio confronta dieci architetture di deep learning per la classificazione di cinque varietà di olive nere turche, dimostrando che EfficientNetV2-S raggiunge la massima accuratezza (95,8%) mentre EfficientNetB0 offre il miglior compromesso tra prestazioni e complessità computazionale, evidenziando come l'efficienza parametrica sia cruciale in contesti con dati limitati.
Il paper presenta VLANeXt, un modello VLA ottimizzato attraverso un'analisi sistematica delle scelte progettuali che ne dimostra le prestazioni superiori rispetto agli stati dell'arte su benchmark simulati e in esperimenti reali, accompagnato dal rilascio di un codice unificato per la comunità.
Questo studio dimostra che la pressione morfologica, sia attraverso descrittori di caratteristiche che attraverso strutture fonologiche di parole inventate, crea gradienti navigabili negli spazi latenti dei modelli di diffusione testo-immagine, permettendo di raggiungere identità visive coerenti e di generare nuovi concetti senza l'uso di dati di addestramento specifici.
Questo studio dimostra che i modelli generativi all'avanguardia per la ricostruzione delle immagini MRI sono altamente vulnerabili a piccole perturbazioni avversarie che inducono allucinazioni, evidenziando la necessità di sviluppare nuove tecniche di rilevamento e addestramento per garantire la sicurezza diagnostica.