1896 artigos
Este artigo propõe um modelo topológico estendido baseado em feixes de círculos para explicar a estrutura de subconjuntos de fluxo óptico de alto contraste no conjunto de dados Sintel, revelando que os padrões mais frequentes e importantes para a visão computacional residem em círculos de bordas binárias e não no toro previamente hipotetizado.
Este artigo apresenta o ColonSplat, um novo framework de *Gaussian Splatting* dinâmico e o conjunto de dados sintético DynamicColon, projetados para superar as limitações dos métodos atuais na reconstrução 3D precisa de movimentos peristálticos durante colonoscopias, garantindo consistência geométrica global.
O artigo apresenta o IGLU, uma nova função de ativação paramétrica baseada em uma mistura de escalas de portas GELU que utiliza uma distribuição de Cauchy para garantir gradientes não nulos e maior robustez, além de sua aproximação computacionalmente eficiente (IGLU-Approx), ambas demonstrando desempenho competitivo ou superior ao ReLU e GELU em tarefas de visão e linguagem.
Este artigo apresenta um novo framework de aprendizado eficiente em hardware para previsão de trajetórias de voo, que integra informações prévias ambientais a uma arquitetura de Transformer em cascata dupla (DTC) para prever com precisão pontos de aterrissagem, como demonstrado na trajetória de bolas de tênis.
O artigo apresenta o PICS, um paradigma auto-supervisionado de composição por decomposição que utiliza um Transformer de Interação com Mixture-of-Experts e aumentações geométricas para gerar composições de imagens em pares com relações espaciais coerentes e maior estabilidade, superando os métodos atuais em diversas configurações.
O artigo apresenta o OPTED, um conjunto de dados aberto e pré-processado de imagens oculares para classificação de tracoma, construído na África Subsaariana utilizando um pipeline automatizado de quatro etapas baseado no modelo de segmentação zero-shot SAM 3 para extrair e padronizar regiões de interesse.
Este artigo propõe uma nova paradigma de aumento de dados que utiliza Grandes Modelos de Linguagem para gerar programas CAD mais diversos e complexos, inspirados em procedimentos de design industrial e condicionados a superfícies de formas orgânicas, superando assim as limitações geométricas dos conjuntos de dados existentes.
O artigo apresenta o PaQ-DETR, um framework unificado que supera as limitações de consultas fixas em modelos DETR ao gerar consultas dinâmicas baseadas em padrões latentes compartilhados e empregar uma estratégia de atribuição consciente da qualidade para melhorar a adaptabilidade, o equilíbrio de supervisão e a precisão na detecção de objetos.
O artigo propõe o DLRMamba, um método que combina um modelo de espaço de estado seletivo bidimensional de baixo posto com uma estratégia de destilação consciente da estrutura para otimizar a detecção de objetos por fusão multiespectral em dispositivos de borda, alcançando um equilíbrio superior entre eficiência computacional e precisão.
Este trabalho apresenta o ESM-YOLO+, uma rede leve de fusão de imagens visíveis e infravermelhas que utiliza um módulo de fusão de atenção aprimorado por máscara e um aprimoramento estrutural durante o treinamento para detectar com alta precisão alvos pequenos em imagens de sensoriamento remoto, superando métodos anteriores com menor complexidade computacional.
O artigo apresenta o HIERAMP, um método que melhora a destilação de datasets gerativos ao explorar a hierarquia semântica inerente às imagens, utilizando o modelo autoregressivo de visão (VAR) para amplificar seletivamente as características discriminativas em diferentes escalas, desde a estrutura global até os detalhes finos.
Este artigo apresenta um pipeline analítico que utiliza segmentação 3D e aprendizado de máquina para extrair características histomorfométricas relacionadas à invasão perineural e linfovascular em câncer de próstata, demonstrando que essas características tridimensionais superam as bidimensionais na previsão de recorrência bioquímica.
Este artigo apresenta o Virtual Intraoperative CT (viCT), um método que utiliza reconstruções 3D de vídeo endoscópico monoculares para atualizar sequencialmente a tomografia computadorizada pré-operatória durante a cirurgia endoscópica de seios paranasais, permitindo a visualização em formato de CT das fronteiras de ressecção em evolução com precisão submilimétrica.
O SurgCUT3R é um framework inovador que supera as limitações de dados supervisionados e a degradação de desempenho em vídeos longos para reconstrução de cenas cirúrgicas a partir de vídeos endoscópicos monoculares, utilizando um pipeline de geração de dados sintéticos, uma estratégia de supervisão híbrida e uma inferência hierárquica para alcançar estimativa de pose precisa e eficiente em ambientes cirúrgicos.
Este artigo apresenta o framework Conditional Unbalanced Optimal Transport (CUOT) e seu modelo gerativo CUOTM, que superam a sensibilidade a outliers dos métodos de transporte ótimo condicional tradicionais ao relaxar as restrições de correspondência de distribuição via penalidades de divergência de Csiszár, mantendo marginais de condicionamento estritas e demonstrando robustez e eficiência superiores em experimentos.
O artigo apresenta o T2SGrid, um novo framework para Grounding Temporal em Vídeo que transforma sequências temporais em layouts espaciais bidimensionais organizados em grade, superando as limitações das abordagens existentes ao melhorar a compreensão das dinâmicas temporais e a atenção visual.
Este artigo propõe uma abordagem para a recuperação de formas baseada em imagens que utiliza codificadores pré-alinhados de imagem e nuvem de pontos, eliminando a necessidade de síntese de visualizações e permitindo recuperação zero-shot, enquanto introduz uma perda de contraste difícil multimodal que alcança desempenho state-of-the-art em múltiplos conjuntos de dados.
Este artigo propõe um framework de raciocínio multimodal consciente da percepção que aprimora a compreensão espacial em imagens monoculares para direção autônoma, representando objetos por meio de tokens visuais de referência em vez de caixas delimitadoras textuais e utilizando um dataset de Cadeia de Pensamento Multimodal, alcançando desempenho superior no benchmark SURDS.
O artigo apresenta o ADAS-TO, o primeiro grande conjunto de dados naturalístico multimodal focado em transições de ADAS para controle manual, contendo mais de 15 mil eventos de retomada que permitem uma caracterização empírica detalhada, incluindo a identificação de casos críticos de segurança e evidências de que sinais visuais acionáveis podem anteceder em até 3 segundos as intervenções humanas.
O artigo apresenta o MipSLAM, um sistema de SLAM baseado em Gaussian Splatting 3D que utiliza algoritmos de anti-aliasing adaptativo e otimização de pose no domínio espectral para alcançar síntese de novas vistas de alta fidelidade e estimativa de pose robusta, superando as limitações de aliasing e deriva de trajetória existentes.