2403 articoli
Questo articolo propone un framework di adattamento zero-shot per il recupero di immagini composte che sfrutta la supervisione semantica strutturata da immagini non etichettate per migliorare le prestazioni di recupero fine-grained in domini con scarsità di annotazioni senza fare affidamento su triplette annotate manualmente.
Questo articolo propone MESFusion, un nuovo framework che affronta le sfide della distribuzione eterogenea delle caratteristiche e dell'integrazione adattiva nella fusione di immagini mediche multimodali combinando un modulo di Miglioramento Sensibile alla Modalità, un modulo Spatial Gated Mamba per la cattura delle dipendenze a lungo raggio e un modulo di Fusione Adattiva Guidata Statisticamente per ottenere una fusione robusta e di alta qualità attraverso diversi dataset.
Questo articolo propone una strategia di ricalibrazione delle caratteristiche leggera che migliora l'accuratezza della regressione del contorno di Fourier per il rilevamento di oggetti nel telerilevamento, enfatizzando adattivamente i canali rilevanti nel ramo di regressione dei coefficienti, ottenendo guadagni significativi di prestazioni su molteplici benchmark con un overhead computazionale trascurabile.
Questo articolo propone un framework a doppio dominio spaziale-frequenziale con un meccanismo di fusione dinamica vincolata per bilanciare efficacemente la modellazione della struttura globale e la preservazione dei dettagli locali, ottenendo così prestazioni allo stato dell'arte nella deblurring del movimento e sopprimendo al contempo gli artefatti di ringing.
Questo articolo propone un framework di cifratura spiegabile e consapevole della sensibilità che utilizza un modello Random Forest con interpretabilità SHAP per valutare dinamicamente la sensibilità delle email e applicare una cifratura ibrida adattiva AES–ECC, bilanciando così l'efficienza computazionale con una protezione robusta per le comunicazioni aziendali.
Questo articolo propone l'Agentic CAMA-DRL, un framework di apprendimento per rinforzo profondo multi-agente consapevole del contesto che coordina operatori di consegna, stazioni di ricarica, pianificatori di flotta e regolatori ambientali per ottimizzare la ricarica delle e-bike nella logistica dell'ultimo miglio urbana, ottenendo miglioramenti significativi nell'utilizzo della flotta, nella puntualità, nella riduzione della congestione e nelle emissioni di CO2 rispetto ai tradizionali approcci basati su regole.
Questo studio propone un flusso di lavoro generalizzabile in sette fasi per l'apprendimento di ensemble di tipo stacking nell'educational data mining che, attraverso una rigorosa validazione inter-istituzionale e un audit della fuga di dati, rivela che la sola complessità algoritmica non può garantire l'accuratezza predittiva e sottolinea la critica necessità di calibrazione istituzionale e rigore metodologico.
Questo articolo propone HDFC-ASS, un algoritmo evolutivo assistito da surrogati fuzzy cooperativo di classificazione-regressione che integra una strategia Kriging guidata dalla correlazione delle variabili, un meccanismo di sfruttamento locale assistito da classificatore fuzzy e un criterio cooperativo di convergenza-diversità-incertezza per risolvere efficacemente problemi di ottimizzazione multi-obiettivo ad alta dimensionalità ed onerosi sotto budget di valutazione ristretti.
Questo studio propone una rete neurale convoluzionale leggera basata su MobileNetV2 per la valutazione cutanea multiparametrica mediante imaging facciale a luce multipla, dimostrando il potenziale dell'approccio pur evidenziando le attuali limitazioni nell'estrazione delle caratteristiche e nelle prestazioni dovute allo squilibrio del dataset e alla piccola dimensione del campione.
Questo studio propone un modello di deep learning ensemble che combina InceptionResNetV2 e ResNet-18, addestrato su dati mammografici nigeriani di origine locale, il quale ha raggiunto un'accuratezza del 99,26% nella classificazione del tumore al seno nelle categorie BI-RADS, superando i modelli individuali e sottolineando l'importanza dell'uso di dataset localmente rappresentativi per lo sviluppo dell'IA.