929 articoli
DeepGaitLab è un framework open-source per il tracciamento del movimento 3D senza marker, addestrato su dati sintetici, che fornisce un'analisi del cammino ad alta precisione e priva di calibrazione attraverso diverse configurazioni di telecamere e popolazioni cliniche, colmando efficacemente il divario tra la biomeccanica di grado di ricerca e l'implementazione clinica scalabile.
Questo articolo propone MEFP-Net, un algoritmo di riconoscimento multimodale che utilizza una fusione gerarchica a metà stadio e un backbone a doppio percorso per affrontare efficacemente lo squilibrio delle caratteristiche e la sensibilità alla luce, migliorando così significativamente il rilevamento di oggetti piccoli e occlusi in complessi scenari di traffico urbano.
Questo articolo presenta una valutazione sperimentale completa di varie strategie di indicizzazione di Facebook AI Similarity Search (FAISS), analizzando i loro compromessi tra accuratezza, latenza e utilizzo della memoria attraverso diverse metriche di distanza e tecniche di quantizzazione per fornire una guida pratica per le implementazioni di ricerca di similarità su larga scala.
Questo articolo propone e valuta un modello di scheduling predittivo e adattivo che integra la previsione del carico di lavoro con decisioni di storage consapevole di Ceph per ridurre significativamente la contesa delle risorse e la latenza di I/O in un'infrastruttura iperconvergente Kubernetes–Ceph in esecuzione su Proxmox VE, ottenendo un bilanciamento del carico e prestazioni superiori rispetto allo scheduler predefinito di Kubernetes.
Questo articolo propone un framework di apprendimento per rinforzo federato per reti mobili edge che combina un modello VAE-LSTM per la previsione della popolarità dei contenuti con un algoritmo di apprendimento per rinforzo profondo multi-agente per ottimizzare le decisioni di caching cooperativo, riducendo così significativamente la latenza e migliorando i tassi di cache hit rispetto ai metodi basati esistenti.
Questo articolo propone DMPB-Net, un nuovo framework semi-supervisionato che integra un encoder guidato da Mamba con moduli specializzati per il disaccoppiamento semantico, l'attenzione ai prototipi e il raffinamento dei confini per raggiungere lo stato dell'arte nella segmentazione delle lesioni mammarie in immagini ecografiche sotto supervisione limitata.
Questo articolo propone un robusto framework tri-modale che integra CNN, Vision Transformer e Graph Neural Networks tramite un meccanismo di fusione a gate adattivo per raggiungere un'accuratezza nella rilevazione di falsificazioni allo stato dell'arte (99,10%) e l'interpretabilità sulle immagini dei social media.
Questo studio propone un quadro decisionale strutturato in tre parti per la selezione dei modelli nel machine learning scientifico con dati limitati, dimostrando, attraverso casi di studio su inibitori delle chinasi e solubilità, che i semplici modelli lineari spesso superano le alternative complesse quando le dimensioni del campione sono ridotte, sostenendo così la semplicità del modello come un baseline critico.
Questo studio valuta vari modelli di regressione di machine learning sul dataset Individual Household Electric Power Consumption per prevedere le tendenze energetiche e identificare anomalie, riscontrando che Random Forest supera gli altri algoritmi mentre l'analisi SHAP rivela Global_intensity come il fattore predittivo dominante.
Questo articolo propone il framework Stigmergic Skeleton Field (SSF), che integra un grafo dello scheletro dell'asse mediale con un campo di feromoni di tipo colonia di formiche e un algoritmo di Localized Incremental Re-skeletonization (LIR) per consentire una navigazione multi-robot efficiente e decentralizzata in ambienti dinamici riparando la topologia solo dove necessario, ottenendo una qualità del percorso quasi ottimale con velocità di ri-pianificazione significativamente più rapide rispetto ai baseline esistenti.