پرش به محتوای اصلی

دسته‌بندی

سرگرمی و خلاقیت

تولید تصویر و ویدیو، صدای مصنوعی، هنر و موسیقی هوشمند، بازی‌ها و وجه سرگرم‌کننده‌ی AI.

۸۲۲ مقاله منتشر شده

سازوکار DRoRAE: کاهش rFID در ImageNet از ۰.۵۷ به ۰.۲۹ با تلفیق لایه‌ها

پژوهشگران با معرفی DRoRAE، روشی برای تجمیع ویژگی‌های تمامی لایه‌های رمزگذار بصری ابداع کردند که کیفیت بازسازی تصاویر را به‌طور چشم‌گیری افزایش می‌دهد. این مدل با شناسایی یک قانون…

۲ دقیقه خواندن۱

سازوکار AllocMV: مدیریت منابع محاسباتی برای حفظ ثبات بصری در ویدیوهای بلند

AllocMV چارچوب جدیدی است که تولید ویدیوهای موسیقی را به یک مسئله تخصیص منابع تبدیل می‌کند تا هزینه‌های محاسباتی کاهش و ثبات بصری افزایش یابد. این سیستم با استفاده از یک حل‌کننده…

۲ دقیقه خواندن۲

پایان انحصار بودجه‌های میلیونی؛ هر کسب‌وکار کوچکی حالا یک استودیوی تبلیغاتی دارد

گوگل با پروژه «The Small Brief» و ابزار Flow AI، امکان تولید تبلیغات سطح جهانی را برای کسب‌وکارهای کوچک فراهم کرده است. این اقدام، شکاف بصری میان برندهای محلی و غول‌های تجاری را…

۲ دقیقه خواندن۲

خطای هندسی پنهانی که دقت مدل‌های چندوجهی شما را می‌کشد

پژوهشگران با معرفی روش DP-FM، مشکل اعوجاج‌های هندسی در تطبیق مدل‌های بینایی-زبانی را حل کردند. این متد با جداسازی دینامیک‌های شعاعی و زاویه‌ای، رکورد جدیدی در ۱۱ بنچمارک مختلف ثبت…

۲ دقیقه خواندن۲

پایان کابوس انگشت‌های ششم؛ رمزگشایی از هندسه‌ی توهمات AI

پژوهشگران علت توهمات ساختاری در مدل‌های انتشار را در ناپایداری‌های هندسی یافتند. روش جدیدی به نام فرونشانی ذاتی (IQ) می‌تواند با اصلاح ابعاد مدل، دقت آناتومیک تصاویر، به‌ویژه در…

۲ دقیقه خواندن۲

داده‌های جدید Arxiv: مدل DART دقت بازرسی کابل‌ها را ۳۸٪ جهش داد

مدل DART با ترکیب بینایی و زبان، بازرسی کابل‌های صنعتی را خودکار کرده و دقت تشخیص آسیب را به شکل چشم‌گیری افزایش داده است. این سیستم بدون نیاز به تنظیم دقیق، شدت آسیب را تخمین زده…

۲ دقیقه خواندن۳

پایان تبعیض نژادی در تشخیص گلوکوم؛ رمزگشایی از مدل FairEnc

پژوهشگران با معرفی مدل FairEnc توانستند سوگیری‌های نژادی و جنسیتی را از سیستم‌های تشخیص بیماری گلوکوم حذف کنند. این مدل چندوجهی با استفاده از داده‌های مصنوعی و یادگیری تقابلی، دقت…

۲ دقیقه خواندن۲

درون معماری FLO-EMD: پایان توهمات بصری در سیستم‌های مدیریت شهری

پژوهشگران با معرفی چارچوب FLO-EMD، دقت تشخیص ترافیک شهری را به ۹۷.۵ درصد رساندند. این سیستم با ترکیب تحلیل‌های مکانی و دینامیک‌های زمانی، مشکل خطاهای بصری در مدل‌های سنتی را حل…

۲ دقیقه خواندن۱

فریب خوردن انسان‌ها؛ حقیقت تکان‌دهنده درباره‌ی تشخیص جعل عمیق

انسان‌ها در شناسایی جعل‌های عمیق پیشرفته، به‌ویژه مدل‌های ترکیبی صوتی-تصویری، به‌شدت ناتوان هستند. این مطالعه نشان می‌دهد که تکیه بر شهود انسانی برای تشخیص محتوای دست‌کاری‌شده…

۲ دقیقه خواندن۱