5549 artigos
Este artigo apresenta o MOO, um grande conjunto de dados sintético de reidentificação de gado com 128.000 imagens anotadas de 128 pontos de vista, que permite analisar o impacto da elevação na generalização de modelos e demonstrar ganhos de desempenho ao transferir conhecimentos geométricos sintéticos para aplicações reais.
O artigo apresenta o SPRINT, o primeiro framework de Aprendizado Incremental de Poucos Exemplos (FSCIL) projetado especificamente para dados tabulares, que supera os métodos existentes ao aproveitar a abundância de dados não rotulados e o baixo custo de armazenamento para alcançar robustez e alta precisão em diversas aplicações do mundo real.
O artigo apresenta uma estrutura escalável para avaliar o realismo de aumentações sintéticas em imagens, demonstrando que métodos de IA generativa superam significativamente as abordagens baseadas em regras na simulação de condições ambientais adversas, como neblina, chuva, neve e noite, alcançando desempenho comparável ou superior ao de imagens reais.
O artigo apresenta o Pointer-CAD, um novo framework baseado em LLMs para geração de modelos CAD que unifica representações B-rep e sequências de comandos por meio de ponteiros para seleção de entidades geométricas, superando as limitações de edição complexa e erros topológicos de métodos anteriores e alcançando alta precisão graças a um conjunto de dados de 575 mil modelos anotados.
O ArtHOI é um framework zero-shot pioneiro que sintetiza interações humano-objeto articuladas e fisicamente plausíveis ao reformular o problema como uma reconstrução 4D a partir de vídeos gerados por modelos de difusão, superando as limitações de métodos anteriores ao garantir consistência geométrica e contato realista sem supervisão 3D.
Este estudo compara modelos generativos (DDPM, LDM e FM) para a criação de ressonâncias magnéticas cardíacas sintéticas, concluindo que os modelos baseados em difusão, especialmente o DDPM, oferecem o melhor equilíbrio entre fidelidade, utilidade clínica e privacidade em cenários com dados limitados.
O artigo apresenta o Hold-One-Shot-Out (HOSO), um método simples e livre de validação que aprende a taxa de mistura para adaptadores CLIP usando um conjunto de retenção de uma única amostra, superando significativamente a linha de base CLIP-Adapter em cenários de poucos exemplos sem necessidade de conjuntos de validação adicionais.
Este estudo demonstra que a incorporação de imagens sintéticas geradas por DreamBooth e Stable Diffusion melhora a precisão e a generalização dos modelos de atribuição de autoria de pinturas em cenários com escassez de dados reais.
Este artigo propõe um método eficiente em termos de dados que utiliza um único exemplo por classe e um modelo de linguagem para gerar descrições contrafactuais, permitindo prever com alta precisão a acurácia zero-shot de modelos fundacionais visão-linguagem em domínios sub-representados, como os do Sul Global, sem a necessidade de conjuntos de teste rotulados extensivos.
O artigo apresenta o RANGER, um novo framework para geração de relatórios de patologia que utiliza uma arquitetura de Mistura de Especialistas (MoE) com gate esparsamente ativado e um módulo de reclassificação adaptativa de recuperação, demonstrando desempenho superior ao estado da arte no conjunto de dados PathText-BRCA ao lidar com a complexidade das imagens de lâminas inteiras.
O artigo apresenta o FocusGraph, um framework que melhora a resposta a perguntas em vídeos longos egocêntricos ao selecionar frames-chave de forma eficiente através de um seletor baseado em legendas de cena e um método de retenção de fluxo esparsa, alcançando resultados de ponta com menor tempo de inferência.
O artigo apresenta o Helios, o primeiro modelo de geração de vídeo autoregressivo de 14B parâmetros capaz de produzir vídeos em escala de minutos em tempo real (19,5 FPS) em uma única GPU H100 com alta robustez contra desvios, sem depender de técnicas comuns de aceleração ou heurísticas anti-desvio.
O artigo apresenta o TaxonRL, uma abordagem de aprendizado por reforço que utiliza recompensas intermediárias para decompor o raciocínio visual em níveis taxonômicos hierárquicos, alcançando desempenho superior ao humano na distinção de espécies visualmente similares e gerando processos decisórios interpretáveis.
O artigo apresenta o ZipMap, um modelo feed-forward stateful que realiza reconstrução 3D bidirecional em tempo linear com treinamento no teste, alcançando uma velocidade mais de 20 vezes superior aos métodos atuais sem sacrificar a precisão.
O artigo apresenta o SimpliHuMoN, um modelo baseado em transformadores simples e eficaz que unifica a previsão de trajetória e pose humana, alcançando resultados de ponta em diversas tarefas e conjuntos de dados sem necessidade de modificações específicas para cada tarefa.
Este artigo propõe as "Redes de Fluxo de Pensamento", um mecanismo de auto-correção iterativa inspirado na dialética de Hegel que permite aos modelos gerar sequências de previsões para refinar suas respostas, demonstrando melhorias significativas no desempenho do modelo e na percepção humana em comparação com previsões únicas.
O artigo apresenta o VQA-MHUG, um novo conjunto de dados de olhar humano multimodal para VQA, e demonstra pela primeira vez que a correlação entre a atenção neural e a humana no texto é um preditor significativo do desempenho do modelo, sugerindo a necessidade de aprimorar os mecanismos de atenção textual nas arquiteturas de visão e linguagem.
O artigo apresenta o MULAN, a primeira rede que integra atenção humana multimodal (de imagem e texto) em modelos de VQA baseados em transformers, alcançando desempenho state-of-the-art no conjunto de dados VQAv2 com aproximadamente 80% menos parâmetros treináveis que trabalhos anteriores.
Este trabalho demonstra que modelos de visão fundamentais, especialmente o BiomedCLIP, podem ser utilizados como extratores de recursos versáteis e sem necessidade de treinamento adicional para sistemas de recuperação de imagens médicas baseadas em conteúdo, alcançando desempenho comparável a sistemas especializados em um vasto conjunto de dados radiológicos.
O artigo apresenta o "Implicit-Zoo", um conjunto de dados em larga escala contendo funções implícitas neurais para imagens 2D e cenas 3D, desenvolvido para superar limitações computacionais e de recursos, permitindo avanços em tarefas como classificação de imagens, segmentação semântica e regressão de pose 3D.