5561 artigos
Este estudo apresenta o Garbage Dataset (GD), um novo conjunto de dados público com 12.259 imagens de 10 categorias de resíduos para treinar modelos de aprendizado profundo, demonstrando que o EfficientNetV2S alcança 95,13% de precisão e destacando desafios como desequilíbrio de classes e complexidade de fundo para a segregação automatizada de lixo.
O artigo apresenta o EO-VAE, um autoencoder variacional multi-sensor que utiliza hiper-redes dinâmicas para codificar e reconstruir combinações flexíveis de canais em uma única modelo, superando os tokenizadores existentes e estabelecendo uma base robusta para a geração latente de dados de observação da Terra.
O artigo apresenta o MedXIAOHE, um modelo fundacional médico multimodal de última geração que utiliza um framework de pré-treinamento contínuo orientado a entidades e treinamento com aprendizado por reforço para superar sistemas proprietários em raciocínio clínico, reduzir alucinações e melhorar a confiabilidade em aplicações reais.
O artigo apresenta o UniTAF, um framework modular que integra modelos de texto-para-fala e áudio-para-rosto para facilitar a transferência de recursos internos e melhorar a consistência entre áudio e expressões faciais, validando a viabilidade de reutilizar representações intermediárias para o co-design de fala e expressão.
O CRAFT-LoRA é um método que aprimora a geração de imagens personalizadas ao equilibrar fidelidade de conteúdo e consistência estilística, utilizando ajuste fino com restrição de rank, agregação de adaptadores guiada por prompts e uma estratégia de orientação sem treinamento adicional para garantir fusão estável e controle preciso.
O artigo apresenta o CFE-Bench, um benchmark multimodal de raciocínio baseado em exames universitários autênticos que revela que, embora os modelos de ponta obtenham resultados moderados, eles ainda enfrentam dificuldades significativas em manter estados intermediários corretos e em eficiência de passos durante a resolução de problemas complexos de STEM.
O artigo apresenta o TraqPoint, um novo framework de Aprendizado por Reforço que reformula a detecção de pontos-chave como um problema de decisão sequencial para otimizar diretamente a qualidade do rastreamento em sequências de imagens, superando métodos existentes que são treinados apenas em pares de imagens.
O artigo apresenta o Concept Distillation Sampling (CDS), um framework unificado e sem necessidade de treinamento que supera as limitações linguísticas de métodos anteriores para permitir a edição de imagens com múltiplos conceitos, preservando a fidelidade da identidade e detalhes intrincados através da integração de um backbone de destilação estável e mecanismos de ponderação dinâmica.
O artigo apresenta o Uni-Animator, um novo framework baseado em Diffusion Transformer que unifica a colorização de esboços em imagens e vídeos, superando limitações anteriores na transferência de cor, preservação de detalhes físicos e coerência temporal através de técnicas inovadoras como incorporação de patches de referência, reforço de detalhes físicos e codificação dinâmica RoPE baseada em esboços.
O artigo apresenta o MedMAP, um framework de pré-treinamento consciente da modalidade que aprimora modelos de visão e linguagem para a detecção de anomalias em múltiplos órgãos em ressonância magnética 3D, utilizando o novo conjunto de dados MedMoM-MRI3D para superar os métodos existentes.
O artigo apresenta o APPO, um algoritmo de otimização de política guiado por atenção que utiliza recompensas densas em nível de token para aprimorar a percepção de modelos de raciocínio em vídeo, demonstrando que melhorar a percepção é mais eficaz e econômico do que escalar a capacidade de raciocínio.
Este artigo relata o uso de tecnologias de Inteligência Artificial Generativa, como SAM2, Florence2 e ChatGPT, integradas a uma ontologia especializada, para segmentar e rotular automaticamente tratados históricos de construção naval dos séculos XVI e XVII, visando superar a escassez de dados e facilitar a curadoria e o acesso a esses documentos preciosos.
Este artigo apresenta o Lilium, um método evolutivo automatizado que aprimora a sobreposição crânio-facial na identificação forense ao modelar a variabilidade dos tecidos moles e otimizar parâmetros por meio de um algoritmo de evolução diferencial, superando assim os métodos atuais em precisão e robustez.
O artigo apresenta o GLIDE-Reg, um método de registro deformável que combina características semânticas globais de fundação com descritores locais artesanais para superar a falta de robustez e generalização em diferentes resoluções e coberturas anatômicas, alcançando desempenho superior ao estado da arte em múltiplos conjuntos de dados de imagens médicas.
O artigo propõe o IDER, um novo método de aprendizado contínuo baseado na propriedade de idempotência que, ao integrar uma distilação de idempotência e adaptar a função de perda, reduz o esquecimento catastrófico e melhora a confiabilidade das previsões sem aumentar significativamente a sobrecarga computacional.
O artigo apresenta o BornoViT, um modelo Vision Transformer leve e eficiente com apenas 0,65 milhão de parâmetros, projetado para classificar caracteres manuscritos bengalis com alta precisão em ambientes com recursos limitados, superando abordagens existentes em termos de desempenho e otimização computacional.
O artigo apresenta o ShiftLUT, um novo framework para restauração de imagens que combina um módulo de deslocamento espacial aprendível, uma arquitetura assimétrica de duplo ramo e uma estratégia de compressão de LUT para alcançar o maior campo receptivo entre métodos baseados em LUT, superando o estado da arte em desempenho e eficiência sem aumentar significativamente o custo computacional ou de armazenamento.
Este artigo apresenta o framework Multimodal Weight Predictor (MWP) e o conjunto de dados Waste-Weight-10K, que combinam imagens RGB com metadados físicos para estimar com precisão o peso de resíduos industriais e comerciais, alcançando alta acurácia e fornecendo explicações interpretáveis por meio de IA.
O artigo apresenta o PreciseCache, um framework plug-and-play que acelera a geração de vídeo ao identificar e pular com precisão cálculos redundantes em nível de passo e bloco, alcançando uma aceleração significativa sem comprometer a qualidade visual.
O artigo apresenta o FlowReg, um método de registro de imagens de ressonância magnética cardíaca não supervisionado baseado em correspondência de fluxo que supera o estado da arte em precisão e eficiência, permitindo inferência rápida em poucos passos e refinamento iterativo sem a necessidade de modelos pré-treinados ou rótulos de segmentação.