8164 artigos
O artigo propõe o framework GFPL, que utiliza aprendizado federativo baseado em protótipos gerativos e uma arquitetura de dupla classificação para superar os desafios de desequilíbrio de dados e alto custo de comunicação em tarefas de visão computacional, resultando em maior precisão e eficiência.
Este artigo apresenta um modelo baseado em UNet para a regressão de keypoints e localização 3D de cones em corridas autônomas, utilizando um grande conjunto de dados personalizado para superar as limitações de métodos tradicionais e alcançar alto desempenho em tempo real.
O artigo apresenta o NESS, um método de aprendizado contínuo que mitiga o esquecimento catastrófico ao aplicar atualizações específicas de tarefa no espaço nulo aproximado das representações de entrada anteriores, explorando os menores valores singulares para garantir ortogonalidade direta no espaço de pesos.
O artigo apresenta o método "geometry-as-context", que utiliza um modelo de geração de vídeo autoral controlado por câmera e um módulo de atenção com portão para estimar geometria e restaurar imagens de novas visualizações iterativamente, superando as limitações de consistência e acúmulo de erros dos métodos anteriores na geração de vídeos de cenas 3D.
Este artigo apresenta um framework automatizado baseado no modelo CARD-ViT, treinado exclusivamente com dados de tomografia computadorizada (TC) cardíaca com sincronização eletrocardiográfica (gated), que permite a detecção e pontuação de cálcio coronariano em exames de TC não sincronizados (non-gated) com desempenho comparável a modelos treinados especificamente para essa modalidade, viabilizando assim a triagem cardiovascular em exames de rotina sem a necessidade de novos exames ou anotações.
Este artigo propõe a Regularização de Difusão Ordinal Direcionada (D-ODR), um método que modela a progressão da Retinopatia Diabética como um fluxo direcionado e irreversível para garantir representações de características biologicamente plausíveis e melhorar a precisão do diagnóstico em comparação com abordagens existentes.
Este artigo apresenta um framework de aprendizado profundo leve baseado em MobileNetV3 e CORAL, otimizado para dispositivos móveis, que alcança alta precisão na triagem automatizada e escalável da retinopatia diabética a partir de imagens de fundo de olho.
Este artigo apresenta o MVGFDR, um quadro de aprendizado profundo que utiliza fusão de grafos multi-visão e reconstrução mascarada para capturar correlações inter-visuais e melhorar a graduação da retinopatia diabética, superando os métodos existentes em desempenho no conjunto de dados MFIDDR.
O MindDriver é um novo framework de raciocínio multimodal progressivo que supera as limitações das abordagens atuais ao integrar compreensão semântica, imaginação espaço-física e planejamento de trajetória em modelos de visão e linguagem, resultando em desempenho superior em sistemas de direção autônoma.
O artigo apresenta o GLoTran, um framework de percepção visual global-local para modelos de linguagem multimodal que, juntamente com o novo conjunto de dados GLoD, supera as limitações existentes na tradução de imagens ricas em texto de alta resolução ao garantir consistência contextual e precisão em detalhes finos.
Este artigo apresenta um método de inicialização de grafos de pose para SfM que utiliza priorização de arestas baseada em uma Rede Neural Gráfica (GNN) para garantir consistência global, resultando em reconstruções mais precisas e compactas, especialmente em cenários esparsos e ambíguos.
O artigo apresenta o Dream-SLAM, um método inovador de SLAM ativo monoculário que supera as limitações atuais ao "sonhar" com imagens e estruturas semânticas de ambientes dinâmicos para refinar a estimativa de pose, melhorar a representação 3D e permitir um planejamento de exploração de longo alcance mais eficiente e preciso.
O artigo apresenta o PanoEnv, um benchmark de VQA em larga escala para imagens panorâmicas e um framework de aprendizado por reforço baseado em GRPO com currículo de duas etapas, que juntos superam as limitações atuais dos Modelos de Visão e Linguagem no raciocínio espacial 3D, alcançando desempenho state-of-the-art em tarefas estruturadas e abertas.
O artigo apresenta o WoG (World Guidance), um novo framework que melhora a geração de ações em modelos Visão-Linguagem-Ação mapeando observações futuras para um espaço de condições compacto, permitindo um modelamento de mundo eficiente que supera métodos existentes em precisão e generalização tanto em simulações quanto no mundo real.
Este artigo apresenta um método robusto para reconhecimento de marcos de quilometragem em metrôs, baseado na adaptação de modelos fundamentais de OCR RGB para dados multimodais (RGB-Evento) e introduz o primeiro grande conjunto de dados sincronizado, EvMetro5K, para superar desafios como variações de iluminação e alta velocidade em ambientes complexos.
Este artigo apresenta o RT-RMOT, uma nova tarefa de rastreamento de múltiplos objetos referenciados que combina dados RGB e térmicos, juntamente com o primeiro conjunto de dados multimodal (RefRT) e o framework RTrack baseado em modelos de linguagem grandes multimodais, que utiliza estratégias de otimização de política e recompensas estruturadas para melhorar o rastreamento em condições de baixa visibilidade.
O artigo apresenta o SPGen, um modelo de aprendizado profundo que utiliza adaptação de domínio não supervisionada e amostragem estocástica para prever com precisão os padrões de varredura ocular de espectadores ao observar pinturas, superando as limitações dos métodos existentes e auxiliando na preservação do patrimônio cultural.
O artigo apresenta o AutoSew, uma abordagem totalmente automática baseada em geometria e Redes Neurais em Grafos que prevê correspondências de costura diretamente a partir de contornos de padrões 2D, alcançando alta precisão e permitindo a montagem escalável de roupas sem necessidade de entrada manual ou anotações semânticas.
O artigo apresenta o NESTOR, um operador neural pré-treinado em grande escala baseado em uma arquitetura aninhada de Mistura de Especialistas (MoE) que combina dependências globais e locais para superar as limitações de arquiteturas únicas e melhorar a generalização na resolução de sistemas de EDPs heterogêneos.
O artigo apresenta o AdaSpot, um framework eficiente para a localização precisa de eventos em vídeos que combina o processamento de baixa resolução com a seleção adaptativa e não supervisionada de regiões de interesse de alta resolução, alcançando desempenho superior em benchmarks padrão sem custos computacionais significativos.