Med-Scout: curando la ceguera geométrica en MLLMs médicos con RL
Med-Scout cura la ceguera geométrica de los MLLMs en diagnóstico médico mediante entrenamiento con refuerzo. Mejora percepción geométrica más del 40%.
#percepción
Diferencias acústicas y perceptuales en clones de voz estándar y acentuada
El acento afecta la clonación de voz: clones de habla acentuada son menos similares pero más inteligibles. Estudio revela que preservar el acento es clave.
La nueva imagen social: IA competente y proactiva en el trabajo
Una IA menos competente puede aumentar tu satisfacción laboral. Estudio revela impacto en percepción propia y de colegas en el trabajo.
Más allá de la memoria visual: diagnóstico mecanicista
Los tokens latentes en modelos multimodales no almacenan memoria visual. Descubre cómo los marcadores de límite y formato generan las ganancias.
PSG-Nav: Navegación con Grafos de Escena Probabilísticos y Decisiones Multiverso
Descubre cómo PSG-Nav usa grafos de escena probabilísticos y decisiones multiverso para navegar en entornos abiertos con alta incertidumbre. Nuevo state-of-the-art en MP3D, HM3D, HSSD.
SkyShield: Ocupación como interfaz de seguridad en UAV de baja altura
SkyShield es el primer benchmark de ocupación semántica front-view para drones a baja altitud. Mejora la seguridad con métricas dinámicas y alcanzabilidad.
Benchmarks confiables y negociados para VLM en percepción urbana
Benchmarks de VLM en percepción urbana: confiabilidad y negociación. Estudio en Montreal muestra impacto de fiabilidad humana.
Reinterpretando los umbrales de seguridad como umbrales de disparo neuronal
Reinterpreta umbrales de seguridad como disparos neuronales con SNN para alinear evaluación de riesgos con el frenado humano.
Redes Neuronales de Alto Orden Inspiradas en Circuitos para PDE y Visión
CHONN: redes de alto orden inspiradas en circuitos unifican dinámicas neuronales para resolver PDEs y mejorar percepción visual. Modelado estable y eficiente.
GSAM: Marco robótico seguro y generalizable para objetos articulados
Descubre GSAM, un marco robótico que mejora un 36% la tasa de éxito en manipulación de objetos articulados, reduciendo colisiones. ¡Lee más!
¿Juega la información visual un papel decisivo en la conducción de modelos VLA?
Analizamos la relación entre información visual y comportamiento de conducción en modelos VLA mediante perturbaciones controladas. Implicaciones para sistemas más seguros.
ERGeoBench: Benchmark de geolocalización encarnada en MLLMs
ERGeoBench evalúa la geolocalización encarnada de modelos multimodales usando razonamiento espacial y percepción visual. Descubre sus limitaciones.
DynaFLIP: Repensando la Percepción Robótica mediante la Representación Guiada por Dinámicas Tri-Modales
<meta name=description content=DynaFLIP presenta un enfoque innovador de percepción robótica utilizando dinámicas tri-modales para mejorar la interacción y el aprendizaje en entornos complejos. Descubre cómo esta tecnología impulsa la robótica avanzada.>
xModel-KD: Destilación de conocimiento intermodal para la percepción de escenas 3D usando LiDAR
Descubre xModel-KD, un método de destilación de conocimiento intermodal que optimiza la percepción 3D con LiDAR para mejorar la precisión y eficiencia en visión por computadora.
Aprendizaje de una política visual basada en simulación para inserción de clavija en agujeros no vistos en el mundo real
Inserción de clavija en agujeros reales no vistos mediante simulación visual. Aprende esta técnica innovadora para ensamblaje preciso sin visión directa.
GroundAct: ¿Pueden los agentes LLM fundamentar acciones en estados ambientales?
<meta content=Descubre si los agentes LLM pueden fundamentar sus acciones en estados ambientales con GroundAct. Análisis clave para la IA y robótica.>
Mejorando el aprendizaje por refuerzo en entornos 3D mediante segmentación semántica: un estudio de caso en ViZDoom
<meta name=description content=Mejora el aprendizaje por refuerzo en 3D con segmentación semántica. Caso práctico en ViZDoom para optimizar el rendimiento de agentes.>
Percepción Omni-Modal Activa Agentiva para Razonamiento Audiovisual de Múltiples Saltos
<meta content=Descubre el razonamiento audiovisual multi-salto con percepción omni-modal activa. Una innovadora técnica que integra múltiples sentidos para un análisis profundo y dinámico de la información.>
Oigo, luego confío: Una investigación sociotécnica de los humanos como detectores de habla sintética
<meta content=Descubre cómo los humanos actúan como detectores de habla sintética. La confianza auditiva frente a la inteligencia artificial.>
El Punto, la Visión y el Texto: ¿Mejora la Nube de Puntos el Razonamiento Espacial de los Grandes Modelos de Lenguaje? Un Estudio Controlado por Sesgos
Estudio controlado que analiza si la nube de puntos mejora el razonamiento espacial de los LLMs. Resultados y conclusiones clave.