6219 papers
Dit paper introduceert ACD-U, een asymmetrisch co-teaching-raamwerk dat machine unlearning combineert met een CLIP-gebaseerde Vision Transformer en een CNN om foutieve labelselecties actief te corrigeren en zo robuust leren met ruisachtige labels te realiseren.
Dit onderzoek introduceert een visueel kader voor transformer-modellen in computationele pathologie dat aantoont dat class visualizations en activation atlases gestructureerde morfologische patronen onthullen, waarbij de overeenstemming tussen experts en gegenereerde afbeeldingen afneemt naarmate de labelgranulariteit toeneemt en de intrinsieke complexiteit van de pathologie groter wordt.
Dit paper introduceert FreeFly-thinking, een end-to-end framework dat chain-of-thought redenering koppelt aan continue UAV-navigatie in complexe buitenomgevingen, waarbij een nieuw dataset en een tweestaps trainingsstrategie worden gebruikt om robuuste prestaties te bereiken.
Het paper introduceert FastSTAR, een trainingsvrij versnellingsframework dat spatiotemporale token-pruning toepast om de computationele bottleneck bij autoregressieve videogeneratie op te lossen door redundante berekeningen te elimineren terwijl de kwaliteit behouden blijft.
Dit paper introduceert SPCP, een methode die de robuustheid van out-of-distribution detectie verbetert door tijdens het trainen de afhankelijkheid van een paar dominante parameters te verminderen en in plaats daarvan een bredere, dichte bijdragepatroon te stimuleren, waardoor oververzekerde voorspellingen voor afwijkende data worden voorkomen zonder de prestaties op bekende data te schaden.
Het paper introduceert VINO, een zelftoezichtend leerframework dat via een structurele informatie-flesnek en asymmetrische distillatie video-features leert die robuust zijn voor achtergrondcontext en zich richten op objectcentrische invarianties.
Het paper introduceert LightMedSeg, een lichtgewicht 3D-medische beeldsegmentatiearchitectuur die anatomische prioren en adaptieve contextmodelling combineert om met slechts 0,48 miljoen parameters een nauwkeurigheid te bereiken die vergelijkbaar is met zware transformer-modellen, terwijl het tegelijkertijd de rekenkosten en geheugeneisen drastisch verlaagt.
Dit paper introduceert BATDiff, een onbewaakte diffusiemodel dat gebruikmaakt van een bivariate `A Trous`-golftransformatie om scherpere en structureel consistentere super-resolutie-resultaten te genereren door cross-schaal afhankelijkheden te modelleren en artefacten te verminderen.
Het paper introduceert HY-WU, een uitbreidbaar raamwerk dat de nadruk verlegt van het overschrijven van gedeelde modelgewichten naar het gebruik van functioneel neurale geheugenmodules om instantie-specifieke aanpassingen in real-time te genereren voor continu leren en personalisatie.
Het paper introduceert FabricGen, een end-to-end framework dat tekstuele beschrijvingen omzet in realistische geweven stoffen door macro-texturen te genereren met gedetailleerde diffusion-modellen en micro-weefpatronen te creëren via een procedurale geometrische aansturing door een gespecialiseerd WeavingLLM.
Dit paper introduceert PresentBench, een fijnmazig, op rubrics gebaseerd benchmark met 238 instances en gedetailleerde checklists om de kwaliteit van automatisch gegenereerde presentaties nauwkeuriger te evalueren en aan te tonen dat NotebookLM andere methoden significant overtreft.
Het paper introduceert LEPA, een architectuur die de onbetrouwbare latent-space interpolatie vervangt door het direct voorspellen van getransformeerde embeddings op basis van geometrische augmentaties, waardoor de nauwkeurigheid van geometrische aanpassingen in satellietremote sensing-data aanzienlijk wordt verbeterd.
Dit paper introduceert Variational Flow Maps, een raamwerk dat voorwaardelijke generatie en inverse problemen oplost door in plaats van een iteratief pad te volgen, een 'noise adapter' te leren die de juiste initiële ruis genereert voor hoogwaardige, één-staps steekproeven.
Deze studie introduceert BD-VITON, een nieuwe dataset voor virtuele passen van traditionele Bangladeshi kleding zoals saree's en panjabis, en toont aan dat het herbekijken en evalueren van bestaande modellen op deze dataset leidt tot significante verbeteringen ten opzichte van zero-shot inferentie.
Dit paper introduceert MAviS, een multimodaal conversatie-assistent voor vogelsoorten dat bestaat uit een uitgebreide dataset, een chat-model en een benchmark, en waarmee state-of-the-art resultaten worden behaald voor gedetailleerd begrip en vragenbeantwoording over vogelsoorten in ecologische toepassingen.
Dit artikel introduceert een trainingsgerichte aanpak die adversarial training combineert met een lichtgewicht feature-map smoothing-blok om ruwe, onstabiele saliëntiekaarten om te zetten in betrouwbare, schaarse en stabiele visualisaties die door mensen als meer waardevol worden ervaren.
Het paper introduceert StructSAM, een nieuw token-merging-framework dat de structuur en het spectrum behoudt om de Segment Anything Model (SAM) efficiënter te maken zonder de precisie van randen of prompt-informatie te verliezen.
Deze paper introduceert Faster-HEAL, een lichtgewicht en privacy-bewust raamwerk dat door middel van low-rank visuele prompts en pyramidale fusie heterogene autonome voertuigen efficiënt aanpast aan een gedeelde perceptie-ruimte, waardoor de detectieprestaties worden verbeterd zonder de privacy te schaden of grote modellen opnieuw te hoeven trainen.
Dit artikel presenteert een lichtgewicht, op digitale tweeling gebaseerd framework dat objectdetectie en offline padkaarten gebruikt voor real-time voertuigtracking en botsingsvoorspelling op randapparatuur, zonder complexe trajectvoorspellingsmodellen.
De AgrI Challenge introduceert een data-centric AI-framework met Cross-Team Validatie om de generalisatiekloof in landbouwhoogtevisie te overbruggen, waarbij wordt aangetoond dat gezamenlijk trainen op door meerdere teams verzamelde datasets de robuustheid aanzienlijk verbetert ten opzichte van enkelvoudige brontraining.