Derniers articles pour Augmentation de données

Explorer le rôle de l'apprentissage auto-supervisé pour améliorer les techniques de détection des anomalies.

HRGCN améliore la détection des anomalies dans des systèmes complexes sans données étiquetées.

CamoFourier améliore la détection et la segmentation d'objets cachés en utilisant des techniques dans le domaine de la fréquence.

Une méthode en quatre étapes pour adapter les détecteurs d'objets à de nouveaux environnements.

Explore le fonctionnement et les applications des GAN dans différents domaines.

Une nouvelle méthode améliore la capture de mouvement intégral à partir de capteurs VR limités.

Ce projet améliore la reconnaissance des lemmes en latin médiéval à partir de cartes de registre manuscrites.

Une approche semi-supervisée booste la reconnaissance automatique de cibles SAR avec des données étiquetées limitées.

Une nouvelle méthode combine des données réelles et simulées pour de meilleures prédictions de confort thermique.

La technologie de recherche vocale évolue, corrigeant les erreurs de reconnaissance vocale pour une meilleure expérience utilisateur.

VesselBoost améliore l'analyse de l'angiographie par IRM pour une meilleure segmentation des vaisseaux sanguins.

Une nouvelle méthode pour estimer avec précision le flux de foule dans les Points d'Intérêt urbains.

Utiliser des méthodes auto-supervisées pour améliorer la segmentation sémANTIQUE LiDAR.

Une nouvelle méthode améliore les prédictions des maladies chroniques en utilisant des modèles spécifiques à la communauté.

Une nouvelle approche pour améliorer la précision de l'évaluation automatisée des essais en utilisant des critères de notation.

Cette étude améliore la détection de ballons de foot pour les robots mobiles dans différentes conditions.

Explorer des techniques d'augmentation de données pour améliorer les systèmes d'IA conversationnelle.

Apprends l'importance et les défis de la détection de petits objets dans différentes applications.

Un nouveau cadre améliore la reconnaissance d'action en séparant les indices spatiaux et temporels.

De nouvelles méthodes améliorent la précision de la conversion du langage parlé en texte écrit.

MoCo-SAS utilise l'apprentissage auto-supervisé pour améliorer la reconnaissance d'objets sous-marins.

Un nouveau modèle prédit les formes d'objets flexibles pendant la manipulation robotique.

Examiner les obstacles que les modèles de langage rencontrent avec les bases de connaissances et la distribution des données.

MA-SAM améliore la segmentation d'images médicales en adaptant SAM aux caractéristiques d'imagerie uniques.

Une nouvelle méthode améliore la façon dont les services de streaming recommandent des films selon les genres.

Un nouveau système aide les dermatologues à identifier les motifs de la peau grâce à l'apprentissage automatique.

Des chercheurs développent des robots qui apprennent le tennis de table en se basant sur des démonstrations humaines.

Cette étude montre comment de nouvelles méthodes améliorent la classification de la gravité de l'arthrose du genou.

Cet article parle de l'importance et des obstacles dans les systèmes de vérification des faits.

Les techniques de mixup améliorent la précision de l'apprentissage automatique dans l'analyse des données de séries temporelles physiologiques.

Une nouvelle technique améliore la diversité des ensembles de données d'images panoramiques intérieures.

LesionMix améliore l'augmentation de données pour mieux détecter les lésions dans les images médicales.

Une nouvelle méthode améliore la reconnaissance des cibles dans les images SAR avec moins de données d'entraînement.

Des recherches montrent que simplifier l'utilisation des données améliore les performances des véhicules autonomes.

Découvrez comment LP-CLIP renforce la robustesse des modèles multimodaux comme CLIP.

Cet article parle des nouvelles méthodes pour améliorer la navigation près des astéroïdes.

Améliorer les méthodes pour détecter les panneaux solaires grâce à la technologie de télédétection.

Cet article parle de comment les LLMs peuvent créer de nouveaux jeux de données pour des tâches de compréhension de lecture.

Une nouvelle méthode génère des exemples contrefactuels pour une meilleure évaluation et entraînement des modèles.

La régularisation de cohérence préservant l'ordre améliore les performances du modèle dans des situations variées.