8299 artigos
O artigo apresenta o HoloLLM, um modelo de linguagem multimodal que integra sensores incomuns como LiDAR, infravermelho, radar mmWave e WiFi para superar as limitações da visão em ambientes reais, utilizando um projetor universal de injeção de modalidades e uma pipeline de curadoria de dados colaborativa para alcançar uma percepção e raciocínio humanos significativamente mais precisos e robustos.
Este artigo propõe um método de codificação de transformada treinável (TTC) com design hierárquico, combinando KLT e uma transformada neural esparsa, para melhorar o desempenho taxa-distorção e a eficiência de decodificação na compressão de 3DGS ao reintroduzir a transformação de análise-síntese.
O artigo apresenta o SpikePingpong, um sistema robótico inovador que combina visão baseada em pulsos (spike) com aprendizado por imitação em uma arquitetura de processamento rápido-lento para alcançar precisão de alta velocidade no jogo de pingue-pongue.
Este trabalho propõe a Orientação Adaptativa de Baixa Frequência (ALG), uma solução simples e sem treinamento que melhora a dinâmica temporal na geração de vídeos a partir de imagens, mitigando a supressão de movimento causada pela exposição prematura a detalhes de alta frequência, sem comprometer a qualidade visual ou a alinhamento com o texto.
Este artigo apresenta o UPNet, uma abordagem inovadora de seleção ativa de vistas que utiliza mapas de incerteza neural para identificar as perspectivas mais informativas para reconstrução 3D, alcançando precisão comparável com metade das vistas e reduzindo drasticamente o custo computacional em relação aos métodos existentes.
Este estudo aborda os desafios da navegação baseada em visão em missões espaciais ao caracterizar falhas de sensores, desenvolver um framework de simulação para gerar imagens defeituosas sintéticas e criar um conjunto de dados essencial para treinar e testar algoritmos de Inteligência Artificial na detecção dessas falhas.
O artigo apresenta o NRSeg, um framework de aprendizado resiliente a ruídos para segmentação semântica em visão de pássaro (BEV) que utiliza dados sintéticos de modelos de mundo de direção, combinando métricas de consistência geométrica, previsão paralela de distribuições e exclusão semântica hierárquica para alcançar desempenho superior em tarefas não supervisionadas e semi-supervisionadas.
Este artigo apresenta o SFATTI, um acelerador de FPGA para Redes Neurais de Spiking (SNN) desenvolvido com o framework Spiker+ para inferência temporal eficiente em energia na tarefa de reconhecimento de dígitos manuscritos do conjunto de dados MNIST.
Este trabalho apresenta o primeiro sistema de controle em malha fechada para drones quadrotor que permite o hover em tubos estreitos, utilizando velocimetria baseada em eventos para medir o fluxo de ar em tempo real e um controlador de aprendizado por reforço para compensar as perturbações aerodinâmicas e evitar colisões.
O artigo apresenta o FedGIN, um framework de aprendizado federado que utiliza uma augmentação não-linear dinâmica de intensidade global para superar desafios de privacidade e variabilidade entre modalidades, permitindo uma segmentação robusta de órgãos em imagens médicas multimodais (MRI e CT) sem a necessidade de compartilhar dados brutos.
Este artigo propõe a NS-FPN, uma rede de pirâmide de características leve e eficaz que, ao adotar uma perspectiva de supressão de ruído no domínio da frequência através dos módulos LFP e SFS, melhora significativamente a detecção e segmentação de alvos pequenos no infravermelho, reduzindo falsos alarmes em cenários com ruído intenso.
Este artigo propõe o SSD-Reg, uma nova abordagem de regularização aprendida baseada em modelos de difusão que, integrada a um esquema variacional orientado por física, resolve o problema inverso não linear e mal-posto da Tomografia de Micro-ondas sem a necessidade de dados de treinamento pareados, permitindo a reconstrução precisa de estruturas anatômicas complexas.
O artigo apresenta o PaCo-FR, um framework de pré-treinamento não supervisionado que combina modelagem de imagens mascaradas com alinhamento patch-pixel para superar desafios na representação facial, alcançando desempenho de ponta em diversas tarefas de análise facial com apenas 2 milhões de imagens não rotuladas.
Este artigo apresenta o TS-Mamba, um novo método de super-resolução de vídeo online que utiliza modelos de espaço de estado (SSM) com deslocamento e modelagem de trajetória para agregar informações espaciais e temporais de longo alcance, alcançando desempenho superior e uma redução significativa na complexidade computacional.
O artigo apresenta o MoSA, um modelo inovador que gera vídeos humanos coerentes ao desacoplar a geração de estrutura e aparência, utilizando um transformador 3D e restrições de contato para superar as limitações de movimento e interação com o ambiente encontradas em abordagens anteriores.
Este artigo apresenta o framework DeReF, uma abordagem multimodal inovadora para previsão de sobrevivência ao câncer que supera as limitações de fusão estática e isolamento de informações em métodos existentes, integrando uma estratégia de reorganização aleatória de características e atenção cruzada regional para melhorar a generalização e a interação entre modalidades, conforme validado em conjuntos de dados de câncer de fígado e TCGA.
Este artigo propõe um novo framework que supera os desafios da heterogeneidade de dados na modelagem de frequência cardíaca, combinando dropout de recursos aleatórios, atenção histórica e aprendizado contrastivo para gerar representações unificadas e robustas, validadas pelo desempenho superior em um novo conjunto de dados benchmark chamado PARROTAO.
Este artigo apresenta o EHWGesture, um novo conjunto de dados multimodal e multi-visão que integra vídeos RGB-Profundidade, câmeras de eventos e rastreamento de marcadores para o reconhecimento de gestos clínicos e a avaliação da qualidade da execução.
O artigo apresenta o PCPO, um novo framework de otimização de política que resolve a instabilidade no treinamento de modelos de geração de imagem ao impor uma atribuição de crédito proporcional entre os timesteps, resultando em convergência acelerada e qualidade de imagem superior ao mitigar o colapso do modelo.
Este trabalho propõe o RobustVLA, um modelo de Visão-Linguagem-Ação que melhora significativamente a robustez contra perturbações multimodais através de otimização offline e seleção adaptativa de ruído, superando os modelos existentes tanto em simulação quanto em robôs reais com poucos dados.