3915 artigos
Este artigo propõe um método prático e sem treinamento para gerar imagens sintéticas de defeitos em isoladores de linhas de energia utilizando modelos de linguagem multimodal, demonstrando que essa abordagem de aumento de dados melhora significativamente a precisão na classificação de defeitos em cenários com escassez de dados reais.
O artigo TALON propõe um framework de aprendizado adaptativo em tempo de teste para descoberta de categorias sob demanda, que supera as limitações de métodos baseados em hash ao atualizar dinamicamente protótipos semânticos e o codificador, evitando a fragmentação de classes e melhorando significativamente a precisão na identificação de novas categorias.
Este artigo propõe uma transição da inteligência artificial reativa para uma baseada em mapas, utilizando um modelo Llama-2 ajustado via LoRA para inferir zonas semânticas e integrar essas informações a um sistema de mapeamento híbrido, resultando em uma navegação a objetivos mais eficiente e com menor exploração redundante em ambientes desconhecidos.
O artigo apresenta o DSH-Bench, um novo benchmark abrangente para geração de imagens de texto orientada a sujeitos que supera as limitações existentes através de uma taxonomia hierárquica, uma avaliação granular de dificuldade e cenários, e uma nova métrica de consistência de identidade, oferecendo insights diagnósticos cruciais para o aprimoramento de modelos.
O TrianguLang é um novo framework de inferência direta para localização 3D guiada por texto que alcança estado da arte em precisão e consistência geométrica sem exigir calibração de câmera ou otimização por cena, permitindo aplicações práticas em robótica e realidade aumentada.
Este artigo propõe o método de Poda Adaptativa de MLP (AMP), que utiliza um critério de entropia de informação sem rótulos e uma busca binária para reduzir automaticamente cerca de 40% dos parâmetros e FLOPs de grandes Transformers de visão, como CLIP e DINOv2, mantendo o desempenho quase sem perdas.
O artigo apresenta o SAMoE-VLA, um modelo de visão-linguagem-ação para direção autônoma que substitui os mecanismos de mistura de especialistas baseados em tokens por uma seleção adaptativa ao cenário baseada em representações de visão de pássaro, resultando em desempenho superior e maior estabilidade de segurança.
O artigo apresenta o FoleyFlow, um modelo que gera áudio sincronizado com vídeos utilizando alinhamento multimodal baseado em mascaramento e um fluxo condicional dinâmico para garantir coerência semântica e rítmica, superando os métodos existentes em benchmarks padrão.
O artigo apresenta o UniGround, um método de treinamento livre que supera as limitações dos modelos pré-treinados no Grounding Visual 3D ao utilizar raciocínio visual e geométrico em duas etapas para localizar objetos em qualquer cena, estabelecendo novos recordes de estado da arte em métodos zero-shot sem supervisão 3D.
O artigo apresenta o FLED-GS, um framework rápido que reformata a restauração de cenas 3D escuras como um ciclo alternado de realce e reconstrução, superando os métodos atuais ao evitar a amplificação de ruído e alcançar velocidades de treinamento e renderização significativamente superiores.
O artigo apresenta o VesselFusion, um modelo de difusão que utiliza uma representação de centro de vaso do grosseiro ao fino e agregação baseada em votação para extrair com maior precisão e naturalidade as linhas centrais de vasos a partir de imagens de TC 3D, superando as abordagens determinísticas convencionais.
O artigo apresenta o MV-Fashion, um grande conjunto de dados de vídeo multi-visão com anotações detalhadas e pares de imagens de roupas vestidas e planas, projetado para superar as limitações existentes em pesquisas de moda e permitir tarefas como provação virtual e estimativa de tamanho.
O artigo apresenta o Edged USLAM, um sistema híbrido visual-inercial que combina uma frente de borda consciente e um módulo de profundidade leve para superar as limitações de iluminação e movimento rápido das câmeras convencionais, oferecendo uma localização robusta e precisa em diversas condições de voo de UAV.
O artigo apresenta o MERLIN, um novo framework de treinamento para Modelos de Linguagem Multimodal (MLLMs) no domínio de sinais eletromagnéticos, que supera desafios críticos de escassez de dados e robustez em baixas relações sinal-ruído através da introdução do conjunto de dados EM-100k, da avaliação padronizada EM-Bench e de um modelo otimizado para ambientes desafiadores.
O artigo apresenta o ALOOD, uma abordagem inovadora que utiliza representações linguísticas de modelos visão-linguagem para alinhar características de detecção LiDAR e tratar a identificação de objetos fora da distribuição como uma tarefa de classificação zero-shot, melhorando a segurança em sistemas de direção autônoma.
O artigo apresenta o Fusion-Poly, um novo framework de fusão espaço-temporal para rastreamento 3D de múltiplos objetos que integra dados assíncronos de LiDAR e câmeras para superar limitações de sincronização e alcançar o estado da arte no conjunto de dados nuScenes.
O artigo apresenta o MM-TS, um método que melhora o aprendizado contrastivo multimodal com dados de cauda longa ao introduzir agendamentos dinâmicos de temperatura e margem que adaptam as forças de atração e repulsão com base na distribuição local das amostras, unificando as abordagens InfoNCE e de margem máxima para alcançar resultados state-of-the-art em diversos conjuntos de dados de imagem e vídeo.
Este estudo propõe duas estratégias de fusão multimodal, RGIF e RGMAF, que combinam registro espacial e mecanismos de atenção ponderados por confiabilidade para superar as limitações de sensores heterogêneos e melhorar significativamente a detecção de veículos aéreos não tripulados (UAVs) em ambientes complexos.
O artigo apresenta o Video2LoRA, um framework escalável e eficiente que utiliza uma hiper-rede leve para prever pesos LoRA personalizados a partir de vídeos de referência, permitindo a geração de vídeos semanticamente alinhados com alta generalização e sem necessidade de treinamento adicional por condição.
O artigo apresenta o SAVE, um método de aprendizado de representação de vídeo que supera os atuais métodos de ponta ao incorporar uma ramificação dedicada para processar o conteúdo de fala e utilizar o soft-ALBEF para alinhamento precoce entre visão e áudio, resultando em melhorias significativas em cinco benchmarks de recuperação vídeo-texto.