9178 artigos
O artigo apresenta o DD-CAM, um framework sem gradiente que utiliza a técnica de *delta debugging* para identificar subconjuntos mínimos e suficientes de unidades de representação em modelos de visão computacional, gerando mapas de saliência mais fiéis e precisos do que os métodos baseados em CAM existentes.
Este artigo apresenta um framework de dois estágios que combina detecção YOLOv8, rastreamento ByteTrack e classificação ResNet18 para garantir inspeção de qualidade estável e temporalmente consistente de maçãs em esteiras rolantes industriais densas.
Este artigo apresenta o MRI CEKWorld, um modelo de mundo que utiliza Aprendizado de Consistência Espaço-Temporal (STCL) para superar as limitações de baixa resolução temporal e amostragem esparsa na aquisição de ressonância magnética com contraste, gerando dinâmicas contínuas e realistas através de Aprendizado de Alinhamento Latente (LAL) para consistência estrutural e Aprendizado de Diferença Latente (LDL) para suavidade temporal.
O artigo apresenta o WildOS, um sistema unificado que combina exploração geométrica segura com raciocínio visual semântico baseado em modelos de fundação e localização por filtro de partículas para permitir que robôs naveguem de forma robusta e eficiente em busca de objetos com vocabulário aberto em ambientes externos complexos e não estruturados.
O artigo apresenta o IPv2, uma estratégia aprimorada de purificação de imagens que introduz três módulos essenciais para corrigir limitações anteriores, permitindo a remoção eficaz de ruído tanto no fundo quanto no parênquima pulmonar em tomografias computadorizadas de tórax ultra-baixa dose do mundo real.
O artigo apresenta o USR 2.0, um método de pseudo-rotulagem eficiente e robusto para reconhecimento unificado de fala que utiliza forçamento de professor baseado em CTC para reduzir o tempo de treinamento pela metade e melhorar a precisão em cenários fora da distribuição, superando os resultados anteriores.
O artigo apresenta o US-JEPA, uma arquitetura de aprendizado auto-supervisionado que utiliza um objetivo de treinamento assimétrico com professor estático (SALT) para superar os desafios de ruído na imagem ultrassonográfica, demonstrando desempenho competitivo em comparação com modelos de fundação existentes no benchmark UltraBench.
O artigo "DefenseSplat" propõe uma estratégia de defesa baseada em filtragem sensível à frequência que, ao analisar e remover ruídos de alta frequência das imagens de entrada, aumenta significativamente a robustez do 3D Gaussian Splatting contra ataques adversariais sem comprometer o desempenho em dados limpos.
O estudo apresenta o RetinaVision, um sistema baseado em aprendizado profundo que utiliza a arquitetura Xception e técnicas de explicabilidade (XAI) para classificar com alta precisão (95,25%) doenças retinianas em imagens OCT, integrando essas capacidades em uma aplicação web para auxiliar no diagnóstico clínico.
O artigo apresenta o MultiDiffSense, um modelo de difusão unificado que gera imagens visuo-táteis sintéticas e alinhadas para múltiplos sensores, condicionadas à forma do objeto e à pose de contato, superando métodos anteriores e reduzindo a necessidade de coleta de dados reais para aplicações robóticas.
O artigo apresenta o UP-Fuse, um novo framework de fusão LiDAR-câmera guiado por incerteza no espaço de visão de alcance que mantém a robustez na segmentação panóptica 3D mesmo sob degradação, descalibração ou falha dos sensores de câmera.
O artigo apresenta o PoseCraft, um framework de difusão que utiliza tokens discretos para codificar marcos 3D e parâmetros de câmera, permitindo a síntese de avatares humanos fotorealistas com controle preciso de pose e viewpoint, superando as limitações de métodos existentes ao preservar detalhes de identidade e textura sem a necessidade de re-otimização para cada nova pose.
O artigo apresenta o MentalBlackboard, um novo benchmark para avaliar a visualização espacial em modelos de linguagem e visão através de tarefas de doação de papel e perfuração, revelando que, apesar de alguns modelos alcançarem desempenho moderado em tarefas de generalização, eles ainda enfrentam dificuldades significativas na aplicação de transformações simétricas e no planejamento de etapas espaciais.
Este trabalho apresenta a tarefa de Decomposição de Camadas de Referência (RLD) e o conjunto de dados RefLade, que permitem a geração precisa de camadas RGBA a partir de uma única imagem e prompts flexíveis, superando as limitações das abordagens holísticas atuais para edição de imagens e geração composicional.
Este artigo investiga a Hipótese da Representação Platônica em um cenário trimodal, revelando que, embora o alinhamento contrastivo entre séries temporais, visão e linguagem melhore com o aumento do modelo, ele é assimétrico (com séries temporais alinhando-se melhor à visão do que ao texto) e saturado pela densidade da informação, sugerindo que as imagens podem atuar como intermediárias eficazes entre séries temporais e linguagem.
Este artigo propõe um novo framework de computação em tempo de teste para otimização de políticas em Modelos Visão-Linguagem (VLMs) que, ao desacoplar a avaliação de estado da geração de ações, utilizar busca em feixe para refletir sobre múltiplos futuros e empregar um gatilho leve baseado em confiança, alcança uma melhoria de 24,6% na taxa de sucesso e uma redução de 56,5% no tempo de inferência em tarefas complexas de manipulação robótica.
Este artigo propõe uma nova estratégia de "Stair Pooling" para redes U-Net que, ao moderar a taxa de redução dimensional através de operações de agrupamento concatenadas em orientações variadas, minimiza a perda de informações e melhora significativamente a precisão da segmentação de imagens biomédicas em 2D e 3D.
O artigo apresenta o PA-Attack, um método de ataque cinza que utiliza protótipos e um mecanismo de aprimoramento de atenção em duas etapas para guiar perturbações no codificador visual de Modelos de Linguagem e Visão (LVLMs), alcançando alta eficácia, eficiência e generalização de tarefas.
O artigo apresenta o CountEx, um novo framework discriminativo de contagem visual que supera as limitações dos métodos existentes ao permitir a exclusão explícita de distratores visualmente similares por meio de prompts multimodais, introduzindo também o benchmark CoCount para avaliação sistemática e demonstrando desempenho superior em cenários complexos.
O artigo apresenta o FinSight-Net, uma rede de detecção de peixes subaquáticos eficiente e consciente da física que utiliza processamento duplo desacoplado e agregação de caminhos para compensar a degradação óptica causada pela turbidez, alcançando desempenho superior e menor complexidade computacional em comparação com modelos existentes.