3756 artigos
O AgrI Challenge é uma competição centrada em dados que introduz o paradigma de Validação entre Equipes (CTV) para avaliar a generalização de modelos de visão agrícola em cenários reais, demonstrando que o treinamento colaborativo com dados coletados independentemente por múltiplas equipes reduz significativamente as lacunas de generalização em comparação com o treinamento em fonte única.
O artigo apresenta o N-Tree Diffusion, um modelo de difusão hierárquico que otimiza a previsão probabilística de longo prazo de riscos de incêndio florestal ao compartilhar estágios iniciais de denoising e ramificar para refinamentos específicos, resultando em maior precisão e menor custo computacional em comparação com abordagens tradicionais.
O estudo demonstra que, ao contrário da hipótese de que o aprendizado reduz a redundância para maior eficiência, o aprendizado de tarefas em macacos aumenta a redundância das respostas neurais no córtex visual V4, distribuindo informações de forma a aumentar a capacidade informativa de cada neurônio individual, o que sugere que o processamento sensorial reflete um processo de inferência generativa.
Este artigo apresenta o AQuA, um dataset de perguntas visuais ambíguas com quatro níveis de classificação e estratégias de resposta correspondentes, que permite o ajuste fino de Modelos de Linguagem Visuais para gerar respostas estratégicas e contextualmente apropriadas, superando os modelos existentes que tendem a fornecer respostas excessivamente confiantes em situações ambíguas.
Este artigo apresenta um modelo de gargalo de conceitos 3D que integra características morfológicas e hemodinâmicas para classificar aneurismas intracranianos com alta precisão e transparência clínica, superando as limitações de interpretabilidade dos modelos de caixa-preta tradicionais.
O relatório técnico VIVECaption apresenta uma abordagem sistemática de dois lados para melhorar a qualidade das legendas em modelos generativos, combinando a criação de um conjunto de dados de referência com estratégias de alinhamento de modelo, a fim de superar as limitações dos modelos de linguagem visual e fornecer dados de treinamento de alta qualidade e livres de direitos autorais.
Este artigo propõe preencher a lacuna de conjuntos de dados de imagens dentárias focadas em um único dente com legendas, demonstrando que o uso de prompts orientados em Modelos Visão-Linguagem (VLMs) permite a geração eficaz de legendas descritivas para essas imagens, facilitando a criação de modelos com conhecimento holístico sobre os dentes.
O artigo apresenta o UnSCAR, um novo paradigma de restauração de imagens universal que utiliza uma arquitetura de mistura de especialistas com múltiplos ramos para superar as limitações de escalabilidade e esquecimento catastrófico, permitindo o aprendizado estável de mais de dezesseis degradações, adaptação robusta a domínios não vistos e controle do usuário sobre o processo de restauração.
O artigo apresenta o QdaVPR, um modelo inovador de reconhecimento visual de lugares que utiliza aprendizado adversário de duplo nível e supervisão por tripletos para alcançar desempenho state-of-the-art e agnóstico a domínios em cenários com variações significativas de estação, iluminação e clima.
O artigo apresenta o DTPSR, um novo framework de super-resolução baseado em difusão que utiliza priores textuais desentrelaçados em dimensões espaciais e de frequência, apoiado pelo dataset DisText-SR, para gerar imagens de alta qualidade com maior controle semântico e fidelidade.
Este trabalho apresenta o benchmark AndroidWorld-Generalization e um sistema de treinamento de aprendizado por reforço baseado em GRPO para avaliar e melhorar a generalização zero-shot de agentes móveis baseados em modelos de linguagem e visão, demonstrando ganhos significativos em instâncias não vistas, mas desafios persistentes na generalização para novos aplicativos e templates.
O artigo apresenta o "Data Agent", um quadro de seleção de dados dinâmico e de ponta a ponta que formula a seleção como um problema de decisão sequencial orientada pelo treinamento, aprendendo uma política de amostragem que evolui junto com a otimização do modelo para acelerar o treinamento e reduzir custos em mais de 50% sem perda de desempenho em diversas tarefas e arquiteturas.
O artigo apresenta o RPG-SAM, um framework de segmentação poliposa one-shot sem treinamento que supera as limitações de métodos existentes ao abordar a heterogeneidade regional e de resposta por meio de mineração de protótipos ponderados por confiabilidade e seleção adaptativa geométrica, resultando em uma melhoria de 5,56% no mIoU no conjunto de dados Kvasir.
O artigo apresenta o DogWeave, um framework baseado em modelo que reconstrói cães 3D de alta fidelidade a partir de uma única imagem RGB, refinando a geometria por meio de otimização de campos normais aprimorados por difusão e gerando texturas consistentes via inpainting condicional para superar desafios como oclusão e detalhes de pelagem.
O artigo apresenta o Med-Evo, um framework pioneiro de auto-evolução para Modelos de Linguagem Multimodal Médica que utiliza aprendizado por reforço sem rótulos, combinando rotulagem pseudo baseada em características e recompensas híbridas, para melhorar o desempenho do modelo em dados de teste não rotulados sem depender de anotações adicionais.
O artigo apresenta o SLNet, uma rede neural superleve e adaptativa para reconhecimento de nuvens de pontos 3D que, ao utilizar componentes inovadores como NAPE e GMU, alcança desempenho competitivo em diversas tarefas com uma fração significativa dos parâmetros e custo computacional de modelos existentes.
Este artigo oferece uma pesquisa abrangente sobre a evolução técnica dos modelos de geração de imagens, detalhando desde VAEs e GANs até métodos baseados em difusão, abordando também avanços na geração de vídeo e as questões de responsabilidade e robustez no seu uso.
O artigo apresenta o SIGMAE, um modelo fundamental para imagens multiespectrais que supera as limitações dos métodos MAE tradicionais ao utilizar índices espectrais como prioridade para guiar um mascaramento dinâmico de tokens focado em regiões semanticamente ricas, resultando em representações espaciais-espectrais superiores e melhor desempenho em diversas tarefas de sensoriamento remoto com poucos dados rotulados.
Este artigo apresenta o MonoSTL, uma abordagem de aprendizado seletivo que supera as limitações da transferência negativa entre LiDAR e imagens na detecção 3D monocular, utilizando módulos de destilação de características e relações conscientes da incerteza de profundidade para alcançar o estado da arte em vários conjuntos de dados.
Este artigo apresenta o conjunto de dados ThingiPrint e um método de classificação baseado em protótipos que utiliza modelos CAD para identificar objetos 3D impressos sem necessidade de retreinamento, viabilizando a automação pós-produção na manufatura aditiva.