Artigos mais recentes para Reconhecimento de Imagem

Um estudo explora novos métodos para modelos de deep learning se adaptarem a dados que mudam.

Um olhar sobre como os MLLMs lidam com pequenos detalhes em imagens.

Novos conjuntos de dados mostram as dificuldades de identificar corredores e textos em condições de lama.

Um novo método melhora o reconhecimento de pessoas usando dados com etiqueta fraca.

Estratégias pra melhorar o desempenho do modelo, mesmo com a distribuição de dados desigual.

Este estudo revela o que os atacantes sabem sobre ataques adversariais em modelos de reconhecimento de imagem.

Analisando as limitações de grandes modelos de linguagem e visão na compreensão detalhada de imagens.

Analisando a autoatenção e o gradiente descendente em modelos transformers.

Um novo método melhora o foco do modelo em características importantes durante a classificação de imagens.

Método inovador simplifica o treinamento de modelos para classificação de imagem complexa.

Um novo método melhora os testes de sistemas de implicação visual ao focar nas relações entre objetos.

Um novo framework melhora a precisão e a eficiência do reconhecimento de imagem para entidades da web.

Enfrentando os desafios do aprendizado federado por causa dos dispositivos e dados diversos.

Uma nova abordagem melhora o reconhecimento de classes sub-representadas em visão computacional.

Um novo método melhora a descoberta de categorias combinando informações visuais e textuais.

Um novo método melhora a precisão dos nomes em conjuntos de dados de segmentação de imagens.

Este artigo analisa como ataques adversariais mudam os conceitos aprendidos pelas CNNs.

Um novo método melhora o alinhamento de imagem e texto reduzindo o viés de uma única tag.

Esse artigo explora como os dados de treino afetam o desempenho do modelo em sistemas multimodais.

Um novo modelo leve melhora o reconhecimento de alvos em imagens de radar de abertura sintética.

Um novo método melhora a rotulagem de dados não rotulados em reconhecimento de imagem.

O MCPNet oferece insights mais claros sobre as decisões de modelos de aprendizado profundo por meio da extração de conceitos em múltiplos níveis.

Novo método melhora a classificação de imagens com dados mínimos usando imagens não rotuladas.

Um estudo destaca a dependência do CLIP em características espúrias no reconhecimento de imagens.

Um jeito de adaptar modelos de aprendizado de máquina sem precisar dos dados de origem.

Apresentando o FiLo: um método novo pra detecção e localização de anomalias com precisão.

Um novo método melhora a precisão da classificação de objetos usando várias representações.

Um novo método de treinamento melhora a capacidade das redes neurais de avaliar incertezas.

Descubra como o método CPEA melhora a classificação de imagens com poucos dados.

Este estudo investiga preconceitos em modelos de visão-linguagem e formas de reduzir seu impacto.

As redes de cápsulas melhoram o reconhecimento de objetos com estruturas e métodos de aprendizado únicos.

O framework HDC melhora o reconhecimento de objetos usando descrições em linguagem nas imagens.

Um novo método melhora a percepção de imagem em modelos de linguagem usando modelos de difusão.

Os VLMs têm dificuldade com classificação de imagens, mas uma melhor integração de dados pode melhorar suas capacidades.

Novo framework melhora o reconhecimento de imagem em diferentes áreas usando descrições em linguagem.

Apresentando o PART, um método pra aumentar a precisão e a robustez dos modelos de aprendizado de máquina.

Novos métodos melhoram o reconhecimento de imagem pra identificar pessoas em diferentes ambientes.

Uma nova abordagem melhora a forma como a IA compara imagens usando instruções visuais.

O FALCON identifica categorias específicas usando rótulos gerais sem precisar de supervisão detalhada.

Um olhar sobre redes neurais, incertezas e seu impacto na tomada de decisões da IA.