8571 artigos
O artigo apresenta o VAUQ, um framework de quantificação de incerteza consciente da visão que utiliza uma pontuação baseada na redução de incerteza preditiva devido à entrada visual e uma estratégia de mascaramento de regiões centrais para permitir uma autoavaliação precisa e sem treinamento de respostas geradas por Modelos de Linguagem e Visão Grandes (LVLMs), superando os métodos existentes ao mitigar alucinações.
Este trabalho apresenta um novo paradigma de treinamento inspirado na neurociência afetiva, que utiliza um modelo dual alternado entre uma base contínua e uma versão motivada esporádica para melhorar o desempenho e a eficiência no treinamento de modelos de classificação de imagens, permitindo o desenvolvimento simultâneo de arquiteturas escaláveis com custos reduzidos.
O artigo propõe o ProxyFL, um novo framework de aprendizado federado semi-supervisionado que utiliza pesos aprendíveis de um classificador como "proxy" unificado para mitigar simultaneamente a heterogeneidade externa entre clientes e a interna entre dados rotulados e não rotulados, otimizando a agregação global e reintegrando amostras descartadas para melhorar o desempenho e a convergência.
Este artigo propõe um método automático de posicionamento de sensores, baseado em simulação de trajetórias e programação linear inteira, para otimizar a precisão na contagem de ocupantes em ambientes comerciais, garantindo privacidade e eficiência energética.
Este artigo apresenta o UDVideoQA, um novo conjunto de dados e benchmark para perguntas e respostas em vídeos de tráfego urbano, projetado para avaliar e aprimorar a capacidade de raciocínio espaciotemporal e causal de modelos de linguagem visual em cenários dinâmicos do mundo real, preservando a privacidade através de técnicas de desfoque dinâmico.
Este trabalho apresenta o SynthRender, um framework de código aberto para geração de imagens sintéticas com randomização de domínio guiada, e o conjunto de dados IRIS, demonstrando que a combinação dessas ferramentas com técnicas de transferência Sim-Real permite criar dados de treinamento transferíveis e de baixo custo para percepção de objetos industriais, alcançando desempenho superior em benchmarks públicos e automotivos.
O artigo apresenta o LUMEN, um novo modelo de linguagem e visão treinado com ajuste fino instrucional para interpretar longitudinalmente radiografias de tórax, demonstrando melhorias significativas em tarefas de diagnóstico e prognóstico ao analisar mudanças temporais nos exames.
O artigo apresenta o SPRITETOMESH, um pipeline automático que converte sprites 2D em malhas triangulares para animação esquelética combinando segmentação aprendida e algoritmos de contorno, alcançando uma aceleração de 300x a 1200x em relação ao processo manual e demonstrando que a previsão direta de vértices por rede neural é inviável devido à natureza subjetiva do posicionamento artístico.
O artigo propõe um novo paradigma de recuperação visual controlável que utiliza modelos de linguagem generativos para expandir consultas curtas e ambíguas em descrições detalhadas e conscientes da qualidade, melhorando significativamente os resultados da recuperação imagem-texto sem a necessidade de modificar modelos de linguagem-vision pré-treinados.
O artigo apresenta o XMorph, um framework de inteligência artificial explicável e eficiente que combina normalização de bordas ponderada por informações e um módulo híbrido de IA com modelos de linguagem para classificar com 96% de precisão três tipos de tumores cerebrais, traduzindo o raciocínio do modelo em insights clinicamente interpretáveis.
O artigo apresenta o Mask-HybridGNet, um framework de segmentação médica baseado em grafos que elimina a necessidade de anotações manuais de marcos anatômicos ao treinar modelos diretamente com máscaras de pixels, gerando emergentemente correspondências anatômicas consistentes e preservando a integridade topológica das estruturas.
O artigo apresenta o Spa3R, um framework auto-supervisionado que utiliza o paradigma de Modelagem de Campo Espacial Preditivo (PSFM) para aprender representações espaciais unificadas a partir de imagens 2D não calibradas, permitindo que modelos de linguagem e visão (VLMs) alcancem um raciocínio espacial 3D superior sem depender de modalidades 3D explícitas.
O artigo apresenta o HVG, um modelo de difusão de vídeo latente que gera vídeos humanos de alta qualidade, consistentes no espaço e no tempo, a partir de uma única imagem, permitindo controle preciso de pose 3D e viewpoint através de modulação articulada de pose, alinhamento de viewpoints e amostragem espaço-temporal progressiva.
Os autores desenvolveram o framework TomoROIS-SurfORA, que combina segmentação direta de regiões de interesse por aprendizado profundo e análise morfológica de superfícies para permitir a quantificação automática de características de membranas em imagens de criomicroscopia eletrônica de tomografia.
Este artigo apresenta o "Planejamento Reflexivo em Tempo de Teste", um novo paradigma para LLMs corporificados que integra reflexão durante a ação, reflexão pós-ação e reflexão retrospectiva para permitir que robôs aprendam com erros e melhorem seu desempenho em tarefas de longo prazo, superando significativamente os modelos de base em benchmarks de tarefas domésticas e de manipulação.
Este artigo apresenta o método de agrupamento guiado por atenção (AGC) como uma técnica eficiente para compressão de índices de vetores múltiplos em qualquer modalidade, superando outros métodos de compressão e mantendo o desempenho competitivo em tarefas de recuperação de texto, documentos visuais e vídeo.
O artigo apresenta o Squint, um método de aprendizado por reforço visual baseado em Soft Actor Critic que, ao empregar técnicas como simulação paralela e "resolução squinting", alcança um tempo de treinamento mais rápido que métodos anteriores e permite a transferência bem-sucedida de políticas treinadas em simulação para um robô real em apenas 15 minutos.
Os autores desenvolveram um pipeline de aprendizado auto-supervisionado que realiza segmentação de câmaras cardíacas em ultrassons sem necessidade de anotações manuais, alcançando precisão clínica comparável aos métodos supervisionados e ao padrão-ouro de ressonância magnética.
O artigo propõe o Face Pyramid Vision Transformer (FPVT), uma nova arquitetura que combina mecanismos de atenção espacial e redes feed-forward convolucionais para criar representações faciais discriminativas em múltiplas escalas, alcançando desempenho superior em reconhecimento e verificação facial com menos parâmetros que os métodos existentes.
Este artigo combina experimentos psicofísicos humanos e modelagem computacional para demonstrar que tanto humanos quanto o modelo biologicamente inspirado SeCo podem aprender rapidamente a inferir objetos ocultos a partir de contextos visuais sem supervisão, destacando o papel fundamental das associações contextuais na compreensão de cenas.