2528 artigos
Este artigo apresenta o Sistema de Câmera de Imagem de Desova e Larvas de Coral (CSLICS), uma solução automatizada de baixo custo que utiliza visão computacional para contar desovas de coral com precisão, reduzindo drasticamente o trabalho manual e facilitando a restauração de recifes em grande escala.
Este artigo propõe um método não supervisionado para recuperar os mecanismos de codificação e decodificação de conceitos em redes de visão profunda, identificando pares de direções latentes que permitem interpretar, depurar e intervir no comportamento do modelo sem depender de reconstrução de características.
O artigo apresenta o LLaVAShield, um sistema de segurança projetado para dialogos multimodais multi-turno que supera as limitações das abordagens atuais ao lidar com intenções maliciosas ocultas e riscos contextuais acumulados, apoiado pelo novo conjunto de dados MMDS e pelo framework de red teaming MMRT.
Este estudo apresenta um pipeline de aprendizado profundo escalável baseado em uma abordagem U-Net de dupla passagem para extrair o primeiro conjunto de dados nacional de pegada urbana da França (1925-1950) a partir de mapas históricos Scan Histo, superando desafios de ruído e complexidade estilística para alcançar uma precisão global de 73% e liberar os dados e códigos resultantes para pesquisas futuras.
Este artigo propõe um algoritmo de planejamento de movimento em tempo real baseado em curvas de Bézier e funções de barreira de controle (MPC-CLF-CBF) que garante a conectividade de frotas de robôs em ambientes com obstáculos, permitindo a recuperação de conexões perdidas e melhorando significativamente a taxa de sucesso na navegação, conforme validado em simulações e experimentos físicos com oito quadricópteros Crazyflie.
O artigo apresenta o LARA-Gen, um novo framework que permite o controle contínuo e de alta granularidade das emoções na geração de música, alinhando representações latentes afetivas e utilizando um espaço de valência-ativação para superar as limitações dos prompts baseados em texto, resultando em uma aderência emocional e qualidade musical superiores às abordagens existentes.
Este artigo apresenta um método para criar mapas métrico-semânticos baseados em ativos de ambientes internos, que combinam detalhes de malhas de objetos com contexto global para superar abordagens existentes em precisão e velocidade, permitindo que robôs realizem navegação e planejamento complexos ao interagir com Grandes Modelos de Linguagem (LLMs).
O artigo apresenta o NaviGait, uma estrutura hierárquica que combina otimização de trajetória e aprendizado por reforço para gerar políticas de locomoção bípede robustas e intuitivas, sintetizando novos movimentos a partir de uma biblioteca de gaits offline para acelerar o treinamento e manter a fidelidade ao movimento de referência.
Este artigo apresenta um novo framework de compressão de vídeo neural em tempo real que unifica codificação intra e inter em um único modelo adaptativo, superando as limitações de propagação de erro e gerência de novos conteúdos para alcançar uma redução média de 12,1% na taxa BD em comparação com o estado da arte DCVC-RT, mantendo simultaneamente desempenho de codificação e decodificação em tempo real.
O artigo apresenta o algoritmo PULL, uma solução completa e eficiente em tempo polinomial para o problema de Rastreamento de Caminho Multiagente Não Rotulado Conectado (CUMAPF), superando as limitações de escalabilidade de abordagens baseadas em Programação Linear Inteira ao permitir o planejamento de trajetórias para centenas de agentes em grades 2D.
Este artigo desafia a premissa de que o replanejamento reativo exige a atualização de planos existentes, demonstrando que algoritmos de planejamento quase certamente assintoticamente ótimos (ASAO), como EIT* e AORRTC, podem resolver problemas incrementais de forma mais eficiente ao tratar cada consulta como um problema independente, encontrando trajetórias globais consistentes e de alta qualidade em ambientes dinâmicos sem a necessidade de reutilização explícita de planos.
Este artigo demonstra que a seleção de um subconjunto adequado de marcos corporais, combinada com técnicas de imputação por splines e o uso do MediaPipe, permite reconhecer sinais isolados da LIBRAS com precisão superior ou comparável aos métodos atuais, reduzindo o tempo de processamento em mais de 5 vezes.
O artigo apresenta o FRIDA, um framework leve e eficiente que utiliza características de modelos de difusão pré-treinados para detectar imagens sintéticas e identificar sua fonte geradora, alcançando resultados de última geração no benchmark GenImage com dados limitados.
O artigo apresenta o EgoMI, um framework que supera a lacuna de corporificação na aprendizagem por imitação ao capturar e retargetar trajetórias sincronizadas de mãos e cabeça de demonstrações humanas, permitindo que robôs semi-humanoides aprendam manipulação ativa e coordenada com visão dinâmica.
O artigo propõe o SPAN (Spatial-Projection Alignment), um novo método para detecção 3D monocular que supera as limitações de consistência geométrica dos detectores existentes ao alinhar espacialmente as caixas 3D previstas com os verdadeiros e garantir que sua projeção 2D corresponda às caixas de detecção na imagem, resultando em melhor desempenho e estabilidade de treinamento.
O artigo propõe o V-Attack, um novo método de ataque adversarial para Modelos Visuais-Linguísticos de Grande Escala (LVLMs) que supera as limitações de controle semântico existentes ao manipular diretamente as características de valor (V) desentrelaçadas, resultando em uma taxa de sucesso de ataque significativamente maior ao permitir a alteração precisa de conceitos locais nas imagens.
O artigo apresenta o AFRO, um framework de aprendizado auto-supervisionado que gera representações 3D dinâmicas e conscientes de ações para robótica, superando métodos existentes ao modelar transições causais sem necessidade de supervisão por reconstrução geométrica ou dados de ação, resultando em taxas de sucesso significativamente maiores em tarefas de manipulação.
Este trabalho apresenta o primeiro framework formal para Modelos de Mundo Audiovisuais (AVWM), introduzindo o conjunto de dados AVW-4k e o modelo AV-CDiT para simular dinâmicas ambientais sincronizadas de áudio e vídeo, demonstrando melhorias significativas em tarefas de navegação contínua.
O artigo demonstra que um método exato simples resolve a maioria das instâncias clássicas de benchmark do Problema do Caixeiro Viajante com Janelas de Tempo em menos de dez segundos, concluindo que essas instâncias não são mais representativas para avaliação de desempenho e exigem cautela no desenho de conjuntos de treinamento para algoritmos de aprendizado de máquina.
O artigo AVGGT propõe um esquema de aceleração sem treinamento que, baseado na análise das funções das camadas de atenção global, converte camadas iniciais em atenção de quadro e subsampleia as camadas finais, resultando em ganhos de velocidade de 2x a 10x em modelos como VGGT e sem comprometer a precisão em cenários de visão 3D multi-visão densa.