3880 artigos
O artigo apresenta o SiamGM, uma rede Siamesa inovadora que combina atenção gráfica interquadro e orientação por vetores de movimento para rastrear objetos em vídeos de satélite em tempo real, superando desafios como alvos pequenos e oclusões com alta precisão e sem sobrecarga computacional.
O artigo propõe a GRD-Net, uma nova arquitetura que combina uma Rede Adversarial Generativa baseada em autoencoder residual com um módulo de atenção para regiões de interesse, visando detectar e localizar anomalias em produtos industriais de forma mais precisa e generalizável, eliminando a dependência de algoritmos de pós-processamento tradicionais.
Este artigo apresenta um modelo eficiente de compreensão de cenas RGB-D que utiliza aprendizado adaptativo multi-tarefa e orientação de características entre dimensões para superar limitações tradicionais, alcançando desempenho superior em precisão e velocidade em tarefas como segmentação semântica, de instâncias e classificação de cenas.
Este artigo apresenta uma comparação sistemática de quatro objetivos de treinamento (Perda de Entropia Cruzada, Perda de Protótipos, Perda de Tripletos e Perda de Precisão Média) para detecção de dados fora de distribuição, concluindo que a Perda de Entropia Cruzada oferece o desempenho mais consistente em cenários de distribuição próxima e distante, mantendo precisão competitiva em dados dentro da distribuição.
Este artigo apresenta um framework semi-supervisionado de detecção de anomalias baseado em uma arquitetura generativa adversarial com autoencoder residual, projetado para inspeção visual online em alta velocidade na produção farmacêutica, demonstrando alta precisão e localização espacial dentro das restrições de tempo de ciclo de uma linha Blow-Fill-Seal.
O artigo apresenta o 3DGS-HPC, um novo framework que melhora a síntese de novas vistas e a reconstrução de cenas 3D ao mitigar distratores transitórios em ambientes reais através de uma estratégia de classificação por patches e uma métrica híbrida que integra cues fotométricas e perceptuais, superando as limitações dos métodos baseados em semântica pré-treinada.
Este artigo apresenta o StructAttack, um framework de jailbreak que explora a vulnerabilidade de preenchimento de slots semânticos em Modelos Visuais-Linguísticos (LVLMs), utilizando prompts visuais estruturados e slots aparentemente benignos para recompor e gerar respostas maliciosas sem acionar mecanismos de segurança.
Este artigo propõe um método de simplificação de nuvens de pontos LiDAR baseado em atenção e aprendizado, que supera o compromisso tradicional entre velocidade e precisão ao priorizar regiões relevantes para tarefas, mantendo ou melhorando a acurácia em detecção e classificação de objetos enquanto é mais rápido que o método de amostragem por pontos mais distantes (FPS).
O artigo apresenta o EmbedTalk, um método de síntese de cabeças falantes que substitui as tradicionais triplas por embeddings aprendidos para deformação de Gaussians 3D, resultando em modelos mais compactos, com qualidade superior de renderização e sincronização labial, capazes de operar em tempo real (acima de 60 FPS) em GPUs móveis.
O artigo propõe um método de aprendizado não supervisionado baseado em redes neurais implícitas (SIREN) para remover distorções de refração em imagens aéreas de água, permitindo a reconstrução da imagem subjacente e a estimativa da forma da superfície da água.
Este trabalho apresenta um novo framework de representação visual implícita que codifica sinais como funções parametrizadas por adaptações de baixo rank em modelos generativos congelados, permitindo compressão de vídeo extremamente eficiente e unificando os campos de compressão e geração visual.
O artigo propõe que a alucinação em Modelos de Linguagem Visuais resulta de um processo de "superpensamento" onde hipóteses incorretas se propagam através das camadas internas do modelo, e introduz uma nova métrica, o Escore de Superpensamento, que detecta essas instabilidades nas camadas intermediárias para melhorar significativamente a precisão na identificação de alucinações.
O artigo apresenta o Duala, um framework de alinhamento em dois níveis que melhora a decodificação visual cruzada entre sujeitos em fMRI ao garantir consistência semântica dos estímulos e alinhamento das respostas cerebrais, alcançando alta precisão mesmo com dados limitados de um único sujeito.
O artigo apresenta o Mobile GlottisNet, um framework de detecção de glote leve e eficiente projetado para inferência em tempo real em dispositivos de borda, utilizando mecanismos de aprendizado de características espacialmente desacopladas para superar as limitações de recursos e latência nos sistemas atuais de intubação nasal.
Este artigo apresenta um pipeline de geração de dados sintéticos baseado em um Digital Twin do Aeroporto Internacional de Algiers, demonstrando que o treinamento híbrido com esses dados e apenas 40% das anotações reais alcança desempenho superior ou equivalente ao uso de dados reais completos para a detecção de carrinhos de bagagem, reduzindo o esforço de anotação em 25 a 35%.
O artigo apresenta o AtomicVLA, um framework unificado de planejamento e execução que utiliza uma biblioteca de habilidades atômicas escalável e um mecanismo de especialistas mistos orientados por habilidades para superar as limitações dos modelos VLA existentes em tarefas robóticas de longo horizonte e aprendizado contínuo.
O artigo apresenta o GLASS, um framework não supervisionado que combina análise espectral geométrica com priores semânticos de modelos visão-linguagem para estabelecer correspondências densas e semanticamente consistentes entre formas 3D, superando significativamente os métodos existentes em cenários de deformações não isométricas e interclasses.
Este artigo propõe o framework de Inferência Auto-Crítica (SCI), que utiliza raciocínio contrafactual multimodal escalável para mitigar viés e sensibilidade linguística em Modelos Visuais-Linguísticos, além de introduzir o DRBench, uma avaliação dinâmica específica para cada modelo que supera as limitações dos benchmarks fixos.
O artigo apresenta o Holi-Spatial, o primeiro conjunto de dados multimodal espacialmente consciente em grande escala, construído totalmente de forma automatizada a partir de vídeos brutos sem intervenção humana, que oferece anotações semânticas e geométricas de alta qualidade para superar as limitações de escalabilidade e viés de domínio dos métodos existentes e aprimorar significativamente o raciocínio espacial de modelos de visão e linguagem.
O artigo apresenta o Ref-DGS, um novo framework de "Dual Gaussian Splatting" que resolve o desafio da reconstrução de superfícies com reflexos especulares próximos e distantes, decoplando a geometria das reflexões em uma representação dual e utilizando um shader adaptativo para alcançar resultados de ponta com treinamento significativamente mais rápido do que métodos baseados em rastreamento de raios.