Computerwissenschaften - Computer Vision und Mustererkennung

Eine Studie zeigt, dass durch strategische Bildaufnahmebereiche eine bessere Fahrzeugzuordnung erreicht wird.

Ein Framework verbessert die Effizienz der Teleoperation in schwach beleuchteten Umgebungen mit automatisierten Bewertungen.

LeRF kombiniert Deep Learning und Interpolation für besseres Bildvergrössern.

FALFormer verbessert die Genauigkeit bei der Analyse von medizinischen WSIs für Diagnosen.

Eine neue Methode verbessert die Sicherheit, indem sie die Zeit bis zur Kollision genau mit ereignisbasierten Kameras vorhersagt.

DiffRect verbessert die Segmentierung medizinischer Bilder, indem es die Qualität der Pseudo-Labels und das Verständnis der Verteilung optimiert.

CosmoCLIP verbindet Bilder und Texte für eine bessere Analyse astronomischer Daten.

Die Sicherheit von selbstfahrenden Autos durch verbesserte 3D-Objekterkennungstechniken erhöhen.

Ein neuer Ansatz verbessert die Datensatzkompression und die Effizienz beim Modelltraining.

Ein System, das Emotionen verfolgt, um das Engagement von Schülern in der Bildung zu steigern.

Eine neue Methode testet die Zuverlässigkeit von Deep-Learning-Modellen in der medizinischen Bildgebung.

Neue Methode verbessert die Bildgenerierung aus begrenzten Beispielen.

Neue Methoden verbessern effizient das Aussehen von 3D-Szenen basierend auf 2D-Bildern.

Ein neues Verfahren verbessert die Farbgenauigkeit in Text-zu-Bild-Modellen.

Neuer Datensatz hilft, versteckte Risse in Windturbinenschaufeln zu finden.

Eine neue Verlustfunktion verbessert die Genauigkeit der Tumorsegmentierung in medizinischen Bildern.

Diese Methode verbessert das Bildabgleichen auf individuelle Vorlieben durch skalierbare Lösungen.

V-VIPE verbessert die 3D-Pose-Schätzung aus 2D-Bildern und meistert dabei die Winkelherausforderungen.

Neue Methode reduziert Strahlung in DSA-Bildern und verbessert gleichzeitig die Bildqualität.

Eine Methode, um Konzepte aus Bildern zu identifizieren und ohne menschliches Eingreifen nachzubilden.

CTSLAM verbessert die Robotik-Lokalisierung und Kartierung durch flexible Datenintegration.

ProtoSAM bietet effektive Segmentierung mit minimalen Daten und zeigt vielversprechende Ergebnisse in der medizinischen Bildgebung.

Erforschen, wie Maschinen menschliche Anweisungen in der echten Welt folgen können.

Unlabeled Videos nutzen, um die Aktionserkennung in langen Videos zu verbessern.

Ein neuer Zusammenführungsalgorithmus verbessert die Genauigkeit der 3D-Instanzsegmentierung erheblich.

Diese Studie untersucht, wie gut Modelle verschiedene Kulturen darstellen.

Ein neuer Ansatz verbessert das Verständnis des Fortschreitens von Alzheimer.

Ein neuer Ansatz geht mit Überconfidence in Systemen um, die mehrere Labels erkennen.

AstroSpy geht dem Thema der von KI generierten Bilder in der Astronomie auf den Grund.

CycleSAM verbessert die chirurgische Segmentierung durch Einzelbildtraining für bessere Ergebnisse.

Erhöhung der Erkennung mit RGB- und Tiefenbildern, um reale Herausforderungen zu meistern.

SACNet verbessert die Segmentierung medizinischer Bilder durch eine innovative Architektur und Verlustfunktion.

Eine neue Bewertungsmethode verbessert die Modellleistung bei Aufgaben mit Mehrfachbeschriftung.

Eine neue Methode verbessert das Tumor-Targeting in der Strahlentherapie mit KI-Technologie.

Neue Strategien kombinieren Kartierung und Verhaltensvorhersage für selbstfahrende Fahrzeuge.

Ein neues Modell kombiniert ConvNets und Transformers für eine bessere Bildklassifikation.

Ein neues Framework bewertet Methoden zur Anonymisierung biometrischer Daten, um die Privatsphäre zu verbessern.

Neue Methoden verbessern die Anpassung bei der Text-zu-Bild-Generierung.

Eine neue Methode kombiniert Video- und IMU-Daten, um die Techniken zur Aktionserkennung zu verbessern.

Der CEIA-Rahmen verbessert das Verständnis zwischen Ereignisdaten und Bildern.