Tag
Všetky publikované články, v ktorých sa téma počítačové videnie objavuje ako dôležitý kontext. Aktuálne 12 textov v archíve.
Nový arXiv preprint navrhuje anchor-conditioned fine-tuning pre generovanie krajinných obrázkov. Model nedostáva iba textový prompt, ale aj číselný vektor kompozície, ktorý má lepšie zachytiť horizont, dominantný objekt či priestorové rozloženie scény.
Nová práca z MIT analyzuje, ako adversariálne fine-tuningové postupy ovplyvňujú vision transformery pri rozmazaní, zaostrení a iných obrazových poruchách. Zlepšenie robustnosti sa podľa autorov neprenáša automaticky na nevidené typy porúch.
Metóda SGBR-HC vyberá približne dvadsať pásiem pre hyperspektrálnu klasifikáciu a zároveň ukazuje, že náhodné delenie pixelov môže nafúknuť presnosť o desiatky percentuálnych bodov. Dôležitý je preto priestorovo oddelený test.
AWS opisuje, ako využiť Amazon Nova 2 Lite na detekciu objektov v obraze. Príklad kombinuje Bedrock, Lambda a API Gateway a ukazuje trend, v ktorom multimodálne modely nahrádzajú časť úzko špecializovaných vision pipeline.
Preprint predstavuje model GCSER-UNet na segmentáciu mozgových nádorov z MRI snímok. Autori hlásia zlepšenia na datasetoch TCGA LGG a BraTS 2020, no klinický význam bude závisieť od ďalšieho nezávislého overenia.
Nový preprint AdaMerge rieši slabinu bežného spájania tokenov vo Vision Transformeroch: nie všetky obrazové tokeny sú rovnako dôležité. Metóda pridáva salienciu a adaptívnu intenzitu kompresie bez ďalšieho tréningu modelu.
Preprint GazeWorld využíva eye-tracking rádiológov ako trajektóriu čítania obrazu. Namiesto statickej masky učí model predpovedať ďalšie fixované časti snímky a hlási zlepšenie reprezentácií na viacerých röntgenových benchmarkoch.
Apple predstavil metódu HeadsUp, ktorá z veľkých viacpohľadových záznamov skladá 3D hlavy pomocou gaussovskej reprezentácie a cieli na lepší pomer kvality, škálovateľnosti a výpočtu.
Apple zverejnilo výskum TC-JEPA, ktorý do samoučiaceho tréningu vizuálnych reprezentácií pridáva textové titulky, aby znížil neistotu pri predikcii zakrytých častí obrazu a zlepšil sémantické porozumenie.
Apple Machine Learning Research predstavilo benchmark SFI-Bench, ktorý testuje, či multimodálne modely chápu nielen polohu objektov, ale aj ich funkciu. Nový video set s viac než 1700 otázkami má odhaliť, ako ďaleko sú dnešné MLLM od prakticky použiteľnej priestorovej inteligencie pre agentov a robotiku.
Výskumníci navrhli dual-stream transformer pre detekciu vzájomného pohľadu a spoločnej pozornosti v dvojkamerových videách. Na dátach interakcií medzi opatrovateľom a dieťaťom prekonal konvolučný baseline aj multimodálne LLM.
Nový výskum Apple ukazuje, že pri plánovaní pohybu nemusí model skladať celé video. Stačiť môže kompaktné latentné zastúpenie trajektórií.