8948 articoli
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.
Il paper presenta Rodent-Bench, un nuovo benchmark progettato per valutare le capacità dei modelli linguistici multimodali nell'annotare video di comportamenti dei roditori, rivelando che gli attuali modelli all'avanguardia non sono ancora sufficientemente affidabili per questo compito a causa di significative difficoltà nella segmentazione temporale e nel riconoscimento di stati comportamentali sottili.
Questo studio presenta un approccio innovativo basato su una rete 4D-UNet che, sfruttando le informazioni spaziali e temporali, migliora il filtraggio del clutter e la rilevazione delle microbolle nell'ecografia transcranica con mezzo di contrasto negli adulti, superando i limiti dei filtri tradizionali.
Il paper propone GIST, un metodo innovativo per la selezione mirata dei dati nell'addestramento con istruzioni che, superando le limitazioni degli approcci basati su statistiche dell'ottimizzatore, utilizza un allineamento di sottospazi tramite SVD per gestire le complesse interazioni tra parametri nei metodi di fine-tuning efficiente (PEFT), ottenendo prestazioni superiori con costi computazionali e di storage drasticamente ridotti.
Questo articolo presenta il dataset FloralSix e un benchmark di varianti YOLO per il riconoscimento dei fiori, dimostrando come l'ottimizzazione dell'annotazione (singola o multipla) e l'uso dell'ottimizzatore SGD influenzino le prestazioni nei diversi scenari di densità vegetale per applicazioni agricole.
Il paper introduce DM4CT, un benchmark completo che valuta le prestazioni e le limitazioni dei modelli di diffusione per la ricostruzione tomografica computerizzata (CT) in scenari reali e simulati, confrontandoli con metodi consolidati e rendendo disponibili dataset e codice.
Lo studio dimostra che l'uso di patch di dimensioni ridotte (1, 2 e 4) durante il fine-tuning dei Vision Transformers migliora significativamente le prestazioni nella classificazione di immagini mediche 2D e 3D rispetto alle patch più grandi, con un ulteriore guadagno ottenuto tramite una strategia di ensemble.
Il paper presenta un approccio innovativo per generare volti parlanti realistici partendo da un'immagine statica, un profilo vocale e un testo target, sfruttando uno spazio latente multi-impigliato per sincronizzare le caratteristiche spaziotemporali specifiche della persona tra le modalità audio e video.
Questo lavoro introduce un approccio di apprendimento automatico quantistico automatizzato (AQML) per la fusione di dati multisorgente, dimostrando che i circuiti quantistici generati automaticamente superano sia i modelli classici che quelli progettati manualmente, ottenendo risultati migliorati nella rilevazione dei cambiamenti sul dataset ONERA.
Il paper presenta InfoNoise, un metodo di scheduling del rumore adattivo basato sull'entropia condizionale che ottimizza l'allocazione delle risorse computazionali durante l'addestramento dei modelli di diffusione, superando le prestazioni delle schedule manuali su diversi dataset e riducendo significativamente i tempi di training.
Questo studio analizza sistematicamente gli effetti dell'accoppiamento nella modellazione dinamica dei manipolatori continui aerei, dimostrando che, sebbene il modello disaccoppiato presenti significative discrepanze in regime aperto, garantisce in regime chiuso una precisione di tracciamento paragonabile a quella del modello accoppiato con un ridotto costo computazionale.
Il paper propone "modelli del mondo isomorfi" basati su campi neurali che preservano la topologia sensoriale, dimostrando che tale approccio permette di apprendere la fisica intuitiva e trasferire le politiche di controllo più efficacemente rispetto ai modelli latenti tradizionali, suggerendo che la fisica intuitiva e lo schema corporeo condividono un'origine comune nella dinamica neurale spazialmente strutturata.
Il paper presenta LoRun, una rete di unfolding profonda che utilizza adattatori LoRA leggeri su un singolo denoiser preaddestrato per superare le limitazioni di ridondanza e adattamento delle reti esistenti, ottenendo una significativa riduzione dei parametri mantenendo prestazioni elevate in compiti di ripristino delle immagini.
Il paper presenta Video-TwG, un framework di apprendimento curricolare rinforzato che introduce un paradigma "pensare con l'ancoraggio" per migliorare la comprensione dei video lunghi, permettendo ai modelli di decidere attivamente quando focalizzarsi su clip specifiche per ridurre le allucinazioni e ottimizzare le prestazioni.
Il paper presenta HIME, un metodo di editing del modello che utilizza un punteggio di insensibilità all'allucinazione (HIS) per identificare e modificare selettivamente i livelli delle LVLM, riducendo significativamente le allucinazioni di oggetti senza costi computazionali aggiuntivi o parametri extra.
Il paper propone NeXt2Former-CD, un framework end-to-end che integra encoder ConvNeXt, fusione temporale basata su attenzione deformabile e decoder Mask2Former per ottenere prestazioni di rilevamento dei cambiamenti nel telerilevamento superiori rispetto ai modelli basati su State Space Models, pur mantenendo una latenza di inferenza comparabile.