1448 artigos
Este artigo apresenta um modelo Transformer bidirecional compacto para legendagem de imagens que integra fluxos de esquerda para direita e de direita para esquerda em uma única arquitetura executável em paralelo, alcançando resultados state-of-the-art no conjunto de dados MSCOCO ao aproveitar o contexto bidirecional e técnicas de ensemble.
O artigo apresenta o PnLCalib, um pipeline de calibração baseado em otimização que utiliza um modelo 3D de campo de futebol, pontos-chave e linhas detectadas para superar as limitações dos métodos tradicionais e alcançar maior precisão e robustez na calibração de câmeras em vídeos esportivos de transmissão.
O artigo apresenta o TIMotion, um framework eficiente e eficaz para geração de movimentos humanos interativos que supera as limitações dos métodos existentes ao empregar injeção interativa causal, varredura de papéis evolutivos e amplificação de padrões localizados para modelar com precisão as dinâmicas temporais e de interação entre duas pessoas.
Este artigo propõe um quadro unificado que modela a quantização e a esparsificação como ruído aditivo e introduz uma transformada de dequantização por dedução para estabelecer um caminho de gradiente explícito, permitindo o treinamento estável e robusto de redes neurais em precisões arbitrárias e níveis de esparsidade, incluindo regimes sub-bit e A1W1.
O artigo apresenta o DRUPI, um método de condensação de dados que melhora o desempenho de modelos ao sintetizar informações privilegiadas (como rótulos de características ou atenção) junto com o conjunto de dados reduzido, oferecendo supervisão auxiliar que supera as abordagens tradicionais baseadas apenas em pares de dados e rótulos.
Este artigo propõe um método de aprendizado de representação não supervisionado que fatora transformações de variáveis latentes em componentes esparsos, decompondo um modelo de fluxo de probabilidade em campos vetoriais rotacionais e potenciais para gerar representações disjuntas que alcançam resultados de ponta em verossimilhança de dados e erros de equivariância aproximada.
Este artigo propõe uma técnica de compressão de imagens baseada em modelos que utiliza síntese de novas vistas e otimização por descida de gradiente para permitir o feedback visual em tempo real no controle de veículos operados remotamente subaquáticos, superando as limitações de largura de banda da comunicação acústica.
Este artigo propõe um framework de aprendizado ativo eficiente em orçamento para modelos visão-linguagem, que utiliza agrupamento guiado por classe e consultas seletivas baseadas em limiares adaptativos para melhorar a precisão com menos dados rotulados.
O artigo apresenta o ARSGaussian, um método inovador de síntese de novas vistas para sensoriamento remoto aéreo que integra nuvens de pontos LiDAR e perdas de consistência geométrica ao 3D Gaussian Splatting para corrigir erros de geometria e melhorar a qualidade visual, além de lançar o conjunto de dados AIR-LONGYAN para apoiar pesquisas nessa área.
O artigo apresenta o CuriousBot, um sistema que utiliza um grafo de objetos relacionais 3D para superar as limitações da exploração móvel baseada apenas em percepção, permitindo que robôs interajam ativamente com o ambiente em espaços complexos e superando métodos que dependem exclusivamente de modelos de linguagem e visão.
Este artigo apresenta os iMarkers, marcadores fiduciais invisíveis ao olho humano mas detectáveis por robôs e dispositivos de realidade aumentada, que oferecem uma solução discreta e versátil para navegação e reconhecimento de objetos sem comprometer a estética do ambiente.
Este artigo de revisão oferece uma análise abrangente e estruturada de mais de 200 trabalhos sobre generalização em sensoriamento Wi-Fi, apresentando uma taxonomia de técnicas, um resumo de conjuntos de dados públicos e direções futuras para superar os desafios de adaptação a novos usuários, dispositivos e ambientes.
O artigo apresenta o RS-STE, uma abordagem inovadora para edição de texto em cenas que integra reconhecimento e edição em um único framework unificado, utilizando um decodificador paralelo e um ciclo de autoaprendizado para alcançar desempenho superior e consistência estilística sem a necessidade de pipelines complexos ou dados pareados.
Este artigo apresenta um novo framework semissupervisionado para segmentação de imagens biomédicas que combina modelos de difusão e co-treinamento professor-aluno para gerar máscaras informativas e pseudo-rótulos, superando técnicas de última geração em cenários com dados anotados limitados.
Este artigo apresenta o BR-Gen, um novo dataset de grande escala com 150.000 imagens localmente falsificadas e o modelo NFA-ViT, que utiliza amplificação de ruído para detectar e propagar traços de falsificações sutis em todo o contexto da imagem, superando os métodos existentes em precisão e generalização.
Este artigo apresenta o M4-SAR, um novo dataset abrangente e padronizado para detecção de objetos por fusão óptica-SAR, acompanhado de um toolkit de benchmark e do framework E2E-OSDet, demonstrando que a combinação desses dados melhora significativamente a precisão da detecção em ambientes complexos.
O artigo apresenta o MARRS, um novo framework que utiliza representações contínuas e um modelo autoregressivo baseado em unidades corporais distintas para sintetizar reações humanas coordenadas e de alta qualidade, superando as limitações de perda de informação e complexidade computacional dos métodos anteriores baseados em quantização vetorial.
O artigo apresenta o EasyText, um framework baseado em Diffusion Transformer que, utilizando codificação de posicionamento de caracteres e interpolação, permite a renderização precisa e controlada de texto multilíngue, apoiado por um novo conjunto de dados sintéticos em larga escala.
O artigo apresenta o SpikeSMOKE, uma arquitetura de redes neurais de pulso (SNN) para detecção de objetos 3D monoculares que introduz um mecanismo de codificação de portão cruzado (CSGC) e blocos residuais leves para superar a perda de informação das SNNs, resultando em maior precisão e consumo energético drasticamente reduzido em comparação com métodos tradicionais.
O artigo apresenta o FieldLVLM, um novo framework que aprimora a compreensão de modelos de linguagem-visão grandes sobre dados de campos científicos, como escoamentos, por meio de uma estratégia de geração de linguagem orientada a características físicas e um ajuste de modelo multimodal com compressão de dados, superando métodos existentes em benchmarks especializados.