8368 artigos
Este artigo apresenta o HERO, um novo paradigma para locomanipulação em robôs humanoides que combina modelos de visão de grande escala para generalização visual aberta com um controle preciso de efetuador final baseado em aprendizado por simulação, permitindo a manipulação confiável de diversos objetos em ambientes reais variados.
Este estudo apresenta o primeiro mapa de culturas arbóreas de 10 metros de resolução para a América do Sul, gerado por inteligência artificial, que identifica cerca de 11 milhões de hectares e revela que mapas regulatórios atuais frequentemente classificam erroneamente a agrofloresta de pequenos produtores como floresta, destacando a necessidade de dados precisos para políticas de conservação justas e eficazes.
O artigo propõe o EAGLE, um framework sem ajuste de parâmetros que utiliza a orientação de atenção aprimorada por modelos especialistas para capacitar Modelos de Linguagem Multimodais a detectar anomalias industriais com alta precisão e gerar explicações semânticas interpretáveis, superando a necessidade de fine-tuning custoso.
Este artigo propõe um novo quadro de aprendizado baseado em caminhadas aleatórias invariantes à probabilidade que classifica redes de similaridade cortical individualizadas fundamentadas em dobras girais, superando as limitações de alinhamento de nós e variabilidade anatômica para melhorar o diagnóstico diferencial entre Doença de Alzheimer e Demência por Corpos de Lewy.
O artigo apresenta o MIRROR, um framework de raciocínio multimodal iterativo que aprimora a precisão e reduz alucinações em Modelos Visão-Linguagem ao incorporar um processo de reflexão em loop fechado focado na verificação de regiões visuais, apoiado pelo novo conjunto de dados ReflectV para treinamento supervisionado.
Este artigo apresenta o SymPL, um framework que reformula o raciocínio espacial alocêntrico em representações simbólicas estruturadas, permitindo que modelos de visão e linguagem superem suas limitações atuais nesse tipo de tarefa e demonstrem maior robustez em cenários complexos.
O artigo apresenta o TraceVision, um modelo unificado visão-linguagem que integra percepção visual consciente de trajetórias para simular a atenção humana e melhorar a compreensão espacial, localização e segmentação, alcançando desempenho superior em diversas tarefas através de uma nova arquitetura e do conjunto de dados RILN.
Este artigo propõe um framework de destilação contrastiva com dois professores que alinha modelos fundacionais de visão óptica e de sensoriamento multiespectral para aprendizado de representação eficiente, alcançando desempenho superior em tarefas de observação da Terra sem comprometer a eficácia em dados ópticos.
Este artigo apresenta o VBVR, um conjunto de dados e um benchmark de escala sem precedentes para raciocínio em vídeo, que permite estudos de escalabilidade e revela sinais iniciais de generalização emergente em tarefas não vistas anteriormente.
O artigo apresenta o Mobile-O, um modelo multimodal unificado compacto e eficiente que permite compreensão e geração de imagens em tempo real diretamente em dispositivos móveis, superando modelos existentes em desempenho e velocidade sem depender de nuvem.
O artigo propõe o framework VISION-ICE, que utiliza redes neurais convolucionais tridimensionais para analisar vídeos de ecocardiografia intracardíaca e localizar automaticamente a origem de arritmias, demonstrando viabilidade clínica para reduzir o tempo e o esforço dos procedimentos de ablação.
O artigo apresenta o OptimusVLA, um modelo de Visão-Linguagem-Ação com memória dupla que integra um Prior Global para acelerar a inferência e uma Memória de Consistência Local para garantir robustez temporal, alcançando desempenho superior e maior velocidade em tarefas de manipulação robótica.
O artigo apresenta o UniLACT, um modelo Vision-Language-Action que supera as limitações de representações baseadas apenas em RGB ao incorporar estrutura geométrica através de um pré-treinamento com latentes de ação unificados e conscientes da profundidade, aprendidos pelo framework UniLARN, resultando em políticas de manipulação mais precisas e robustas tanto em simulação quanto no mundo real.
Este trabalho apresenta um framework que combina a reconstrução de gráficos a partir de imagens, análise por modelos de linguagem visuais e iteração para fornecer recomendações de design acionáveis e baseadas em princípios, visando corrigir erros e melhorar a qualidade e a literacia em visualização de dados.
O artigo apresenta o N4MC, o primeiro framework de compressão neural 4D que supera o estado da arte ao explorar redundância temporal em sequências de malhas variáveis no tempo através de representação tensorial regular, um auto-decodificador e um modelo de interpolação baseado em transformers para garantir coerência temporal e decodificação em tempo real.
O artigo apresenta o Inspectorch, um framework de código aberto baseado em modelos de fluxo que utiliza estimativa de densidade probabilística não supervisionada para identificar eficientemente eventos raros e extremos em grandes volumes de dados de observações solares, otimizando assim o uso de recursos computacionais para o estudo de fenômenos físicos relevantes.
O artigo propõe a Representação de Espaço Nulo Suavizado em Grafos (GSNR), um mecanismo que incorpora informações estruturais apenas no componente de espaço nulo invisível das imagens durante a resolução de problemas inversos, resultando em melhorias significativas de qualidade (até 4,3 dB) em tarefas como desfoque, amostragem comprimida e super-resolução.
Este artigo apresenta o primeiro framework de rastreamento de circuitos em modelos de visão e linguagem, utilizando técnicas como transcoders e gráficos de atribuição para revelar, validar e controlar causalmente os mecanismos internos que integram conceitos visuais e semânticos, tornando esses modelos mais transparentes e confiáveis.
Este estudo apresenta um pipeline integrado que converte fluxos de vídeo de drones em reconstruções 3D fotorealistas de baixa latência utilizando Gaussian Splatting, superando as abordagens baseadas em NeRF em desempenho e latência para aplicações de realidade aumentada e virtual.
O artigo apresenta o BiRQA, um modelo compacto e robusto de avaliação de qualidade de imagem com referência completa que combina alta precisão, velocidade em tempo real e forte resistência a ataques adversariais através de uma arquitetura piramidal bidirecional e uma estratégia de treinamento ancorado.