Derniers articles pour Reconnaissance d'image

Une étude explore de nouvelles méthodes pour que les modèles d'apprentissage profond s'adaptent aux données qui changent.

Un aperçu de la façon dont les MLLMs traitent les petits détails dans les images.

De nouvelles données montrent des difficultés à identifier les coureurs et les textes dans des conditions boueuses.

Une nouvelle méthode améliore la reconnaissance des personnes en utilisant des données faiblement étiquetées.

Stratégies pour améliorer la performance du modèle malgré une distribution de données inégale.

Cette étude révèle ce que les attaquants savent sur les attaques adversariales contre les modèles de reconnaissance d'images.

Examiner les limites des grands modèles de vision-langage dans la compréhension détaillée des images.

Examiner l'auto-attention et la descente de gradient dans les modèles de transformateurs.

Une nouvelle méthode améliore la concentration du modèle sur les caractéristiques importantes lors de la classification d'images.

Une méthode innovante simplifie l'entraînement des modèles pour la classification d'images complexes.

Une nouvelle méthode améliore les tests des systèmes d'implication visuelle en se concentrant sur les relations entre les objets.

Un nouveau cadre améliore la précision et l'efficacité de la reconnaissance d'images pour les entités web.

Aborder les défis du learning fédéré à cause des appareils et des données divers.

Une nouvelle approche améliore la reconnaissance pour les classes sous-représentées en vision par ordinateur.

Une nouvelle méthode améliore la découverte de catégories en combinant des infos visuelles et textuelles.

Une nouvelle méthode améliore la précision des noms dans les ensembles de données de segmentation d'images.

Cet article examine comment les attaques adversaires modifient les concepts appris des CNN.

Une nouvelle méthode améliore l'alignement image-texte en réduisant le biais d'un seul tag.

Cet article explore comment les données d'entraînement affectent les performances des modèles dans les systèmes multimodaux.

Un nouveau modèle léger améliore la reconnaissance des cibles dans les images radar à synthèse d'ouverture.

Une nouvelle méthode améliore l'étiquetage des données non étiquetées en reconnaissance d'images.

MCPNet offre des insights plus clairs sur les décisions des modèles d'apprentissage profond grâce à l'extraction de concepts à plusieurs niveaux.

Une nouvelle méthode améliore la classification d'images avec un minimum de données en utilisant des images non étiquetées.

Une étude souligne la dépendance de CLIP à des caractéristiques trompeuses dans la reconnaissance d'images.

Une méthode pour adapter des modèles de machine learning sans avoir besoin de données sources.

Présentation de FiLo : une méthode novatrice pour la détection et la localisation précise des anomalies.

Une nouvelle méthode améliore la précision de la classification des objets en utilisant plusieurs représentations.

Une nouvelle méthode d'entraînement améliore la capacité des réseaux de neurones à évaluer l'incertitude.

Découvrez comment la méthode CPEA améliore la classification d'images avec un minimum de données.

Cette étude examine les biais dans les modèles vision-langage et les moyens de réduire leur impact.

Les réseaux de capsules améliorent la reconnaissance d'objets avec des structures et des méthodes d'apprentissage uniques.

Le cadre HDC améliore la reconnaissance d'objets en utilisant des descriptions en langage dans les images.

Une nouvelle méthode améliore la perception des images dans les modèles de langage en utilisant des modèles de diffusion.

Les VLMs galèrent avec la classification d'images, mais une meilleure intégration des données peut améliorer leurs capacités.

Nouveau cadre améliore la reconnaissance d'images dans différents domaines en utilisant des descriptions en langage.

Voici PART, une méthode pour améliorer la précision et la robustesse des modèles d'apprentissage machine.

De nouvelles méthodes améliorent la reconnaissance d'images pour identifier les gens dans différents environnements.

Une nouvelle approche améliore la manière dont l'IA compare les images en utilisant des instructions visuelles.

FALCON identifie des catégories fines en utilisant des étiquettes larges sans avoir besoin de supervision détaillée.

Un aperçu des réseaux de neurones, de l'incertitude et de leur impact sur la prise de décision en IA.