Cross-Granularity Ranking Disagreement for Uncertainty-Aware Image-Text Retrieval
本文引入了跨粒度排序不确定性(Cross-granularity Ranking Uncertainty, CRU),这是一个轻量级框架,通过直接估计全局与局部匹配分布之间的排序空间分歧来估算检索不确定性,从而在无需多次前向传播的情况下,提升图像-文本检索中的错误检测、校准和选择性预测能力。
2363 篇论文
本文引入了跨粒度排序不确定性(Cross-granularity Ranking Uncertainty, CRU),这是一个轻量级框架,通过直接估计全局与局部匹配分布之间的排序空间分歧来估算检索不确定性,从而在无需多次前向传播的情况下,提升图像-文本检索中的错误检测、校准和选择性预测能力。
本文介绍了 LarvaFormer,这是一种结合了卷积神经网络(CNN)与视觉 Transformer 以及专门注意力机制的新型混合深度学习框架,它在自动化蚊子幼虫分类方面实现了最先进的准确率,从而实现快速且环境可持续的疾病控制。
本文提出了一种名为 YOLOv5s-SC2 的轻量化、高精度金属条表面缺陷检测模型,该模型通过集成 SAC 和 RepGFPN 等架构改进在 NEU-DET 数据集上实现了 84.3% 的 mAP,并利用 LAMP 剪枝技术显著降低了模型大小和计算成本,以实现高效的边缘部署且仅造成极小的精度损失。
PolicyFaultBench 是一个基于变异的基准测试,用于通过严格测试运行时策略调解(runtime policy mediation)和提议接口一致性(proposal-interface conformance)来验证工具使用型 AI 智能体,揭示了尽管智能体可以实现极高的执行成功率,但由于存在需要通过针对性探测才能检测到的细微接口偏差,它们仍可能无法满足严格的验收标准。
本文介绍了 YOLO11m-opt,这是一种优化的目标检测模型,通过结合专门的架构增强和定制数据集,实现了对低成本显微图像中 36 种寄生蜂物种的高精度识别,从而为农业和生态应用提供了自动化的、独立于专家的分类学分析。
本文提出了一种基于分层强化学习的调度方法 HRL-TSCH-ERC,该方法通过在岩溶洞穴无线网状网络中动态分配资源并调度链路,与现有算法相比,显著提高了异构应急救援服务的数据包交付率、可靠性和能量效率。
HierGait 是一个层次化多模态步态识别框架,它集成了自适应多尺度时间增强、结构引导对齐融合以及全局上下文重校准,旨在克服细粒度运动捕捉、跨模态对齐和时间建模方面的局限性,并在 CASIA-B 数据集上实现了最先进的性能。
EDD-3DGS 是一个由光照引导的深度蒸馏框架,它通过动态平衡光度监督与深度监督、过滤噪声先验以及对齐单目深度尺度,来消除浮空伪影并保持几何保真度,从而克服了 3D 高斯泼溅在低光照条件下的重建失败问题。
本文提出了一种通过量子行为粒子群优化算法优化的先验约束轻量化 HRNet 框架,该框架通过整合几何先验、模型压缩和自适应超参数调优,实现了用于发育性髋型发育不良(IHDI)的高精度、高效分类,以支持临床决策。
本研究提出了一种语料库规模的约束优化框架,该框架利用潜在的滑移属性和发掘背景,显著提升了碎片化竹简的自动重组效果,在准确性和误差降低方面均优于传统的两两匹配方法。