Tag
Všetky publikované články, v ktorých sa téma počítačové videnie objavuje ako dôležitý kontext. Aktuálne 18 textov v archíve.
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.