2499 articoli
Il paper introduce , una rete neurale feed-forward permutazionalmente equivariante che supera i limiti dei metodi basati su una vista di riferimento fissa, ottenendo prestazioni all'avanguardia nella ricostruzione geometrica visiva, nella stima della posa della camera e nella profondità senza bisogno di frame di riferimento.
Il paper presenta InsightX Agent, un innovativo framework basato su modelli multimodali di grandi dimensioni che integra strumenti di rilevamento e riflessione per fornire analisi di NDT a raggi X più affidabili, interpretabili e interattive, ottenendo un punteggio F1 del 96,54% sul dataset GDXray+.
Questo studio propone un framework di deep learning basato su Vision Transformer (ViT) che, utilizzando immagini Sentinel-2 e Formosat-5 e un approccio di apprendimento semi-supervisionato per espandere le annotazioni manuali, migliora la segmentazione delle aree colpite da disastri naturali, ottimizzando così il prodotto EVAP dell'Agenzia Spaziale Taiwanese (TASA).
Il paper presenta MIDAR, un modello surrogato per la rilevazione LiDAR che utilizza un Graph Transformer geometrico per generare percezioni realistiche nei simulatori di traffico microscopico, colmando il divario tra scalabilità computazionale e fedeltà della simulazione per le applicazioni di sistemi di trasporto intelligenti.
Questo studio presenta TransUNet-GradCAM, un modello ibrido Transformer-U-Net che combina meccanismi di attenzione globale e locali per ottenere un'accurata segmentazione e visualizzazione spiegabile delle ulcere diabetiche del piede, dimostrando elevate prestazioni e robusta trasferibilità su dataset clinici esterni senza necessità di riaddestramento.
Il paper presenta S²Q-VDiT, un framework di quantizzazione post-addestramento per trasformatori di diffusione video che combina la selezione di dati salienti basata sull'elmo Hessiano e la distillazione di token sparsi guidata dall'attenzione per ottenere prestazioni senza perdite, una compressione del modello di 3,9 volte e un'accelerazione dell'inferenza di 1,3 volte.
Il paper presenta SPEX, il primo modello linguistico-visivo multimodale progettato per l'estrazione della copertura del suolo da immagini remote multispettrali, che supera le tecniche esistenti sfruttando informazioni spettrali codificate in un nuovo dataset di istruzioni (SPIE) e offrendo spiegazioni testuali per migliorare l'interpretabilità.
Questo lavoro presenta la prima valutazione di metodi di 3D Gaussian Splatting su immagini fisheye reali con campo visivo superiore a 180°, dimostrando che una configurazione a 160° ottimizza il compromesso tra copertura e qualità, e introducendo un'inizializzazione basata sulla profondità tramite UniK3D che supera i limiti dello SfM in condizioni di distorsione estrema e scenari complessi.
Questo lavoro introduce un framework unificato e semanticamente fondato per l'adattamento di dominio nella segmentazione di immagini mediche, che supera la tradizionale separazione tra impostazioni con e senza accesso ai dati sorgente apprendendo una varietà probabilistica di regolarità anatomiche per ottenere prestazioni all'avanguardia e interpretabilità in entrambi gli scenari.
Il paper introduce IAG, il primo attacco backdoor multi-obiettivo per la grounding visuale basato su modelli visione-linguaggio, che genera trigger dinamici e impercettibili guidati dal testo per reindirizzare l'attenzione verso oggetti target specifici senza compromettere le prestazioni su campioni benigni.
Il paper presenta Video-EM, un framework di memoria episodica senza addestramento che migliora la comprensione di video lunghi trasformando la selezione di fotogrammi in una costruzione di eventi temporali coerenti e verificati, permettendo ai modelli linguistici video esistenti di ragionare su contesti estesi senza modifiche architetturali.
Il paper introduce UniUGG, il primo framework unificato per la comprensione e la generazione di contenuti 3D che combina un LLM, un decoder spaziale basato su modelli di diffusione latente e una strategia di apprendimento geometrico-semantico per migliorare sia l'analisi visiva spaziale che la creazione di scene 3D.
Questo articolo presenta un framework per la stima della posa umana 3D basato su modelli di diffusione che, grazie a una strategia di potatura temporale gerarchica (HTP), riduce drasticamente i costi computazionali e accelera l'inferenza mantenendo prestazioni all'avanguardia.
Il paper presenta PointSlice, un nuovo metodo di rappresentazione basato su fette per la rilevazione di oggetti 3D da nuvole di punti che, bilanciando precisione ed efficienza attraverso una conversione in dati 2D e una rete di interazione tra fette, supera i compromessi tradizionali tra metodi basati su voxel e pilastri.
Il paper propone MDM-MixMFL, un nuovo framework di apprendimento federato che utilizza strategie di decoupling e memorizzazione delle modalità per affrontare l'eterogeneità dei dati e delle modalità nell'segmentazione di immagini MRI in scenari medici distribuiti non centralizzati.
Questo studio presenta un sistema innovativo basato sulla visione artificiale e sull'analisi della posizione laterale per classificare in tempo reale comportamenti di guida pericolosi, come distrazione e alterazione, osservando i veicoli dall'esterno senza necessità di comunicazioni inter-veicolari.
Il paper presenta UltraUPConvNet, un framework universale ed efficiente basato su UPerNet e ConvNeXt che, addestrato su un ampio dataset di oltre 9.700 annotazioni, unifica con prestazioni all'avanguardia la segmentazione dei tessuti e la previsione delle malattie nelle immagini ecografiche riducendo al contempo il carico computazionale.
Il paper presenta Traffic-MLLM, un framework di apprendimento supervisionato regolarizzato dalla curiosità che, integrando dati video dinamici e domande-visive su larga scala, apprende uno spazio di casi strutturato per migliorare il ragionamento multimodale e la robustezza nei scenari di guida autonomi senza ricorrere al recupero esplicito dei casi.
Il paper propone SAGA, un meccanismo di attenzione lineare che utilizza cancelli adattivi selettivi per mitigare la ridondanza delle informazioni e migliorare l'espressività, ottenendo così significativi guadagni sia in termini di efficienza computazionale che di accuratezza rispetto alle architetture Transformer tradizionali.
Il paper introduce il Cumulative Consensus Score (CCS), un metodo agnostico e privo di etichette che valuta l'affidabilità dei modelli di rilevamento oggetti in fase di deployment misurando la coerenza spaziale delle previsioni su immagini con aumentazioni di dati, offrendo così una robusta metrica di monitoraggio per scenari reali privi di annotazioni.