Одного фрагмента достаточно: Восстановление поверхности и классификация материалов по минимальным визуальным данным

Сеть SMARC, построенная по принципу кодировщик-бутылочное горлышко-декодировщик с использованием частных свёрток и явной проброски масок, восстанавливает скрытые участки RGB-изображения и одновременно предсказывает класс материала, объединяя признаки кодировщика в декодере через пропущенные соединения и используя многомасштабный подход к классификации поверхности на основе признаков $s_3^y$, $s_4^y$ и признаков

Новый подход позволяет точно реконструировать геометрию объектов и определять их материал, опираясь лишь на небольшую часть видимой информации.

Визуальная привязка: Новый подход к сопоставлению объектов на разных изображениях

Предлагается фреймворк V2-SAM, использующий V2-Anchor для координатно-ориентированного кросс-вью промтинга, V2-Visual для улучшения визуального сопоставления, основанного на внешнем виде, и многопромтную экспертную систему, оснащенную модулем PCCS для адаптивного выбора экспертов.

Исследователи представили V²-SAM — инновационную систему, позволяющую эффективно находить соответствия между объектами, даже если они видны с разных точек зрения.

Несовершенства на службе памяти: новый подход к оптимизации энергонезависимых конденсаторов

Разработанная методика калибровки, основанная на технологических данных, электрических характеристиках и TCAD-моделировании, позволила создать физически обоснованную VerilogA-компактную модель, учитывающую неидеальности, такие как плотность носителей на границе электрода, объемные и межфазные ловушки в HZO, влияющие на переключение ферроэлектрика и его взаимодействие с эффектом обеднения и утечкой тока, что обеспечивает совместное проектирование материала, устройства и схемы.

В статье представлен комплексный фреймворк для проектирования и оптимизации энергонезависимой памяти на основе сегнетоэлектрических конденсаторов, учитывающий влияние дефектов материала.

Нейросети учатся на ходу: новая стратегия декодирования мозговых сигналов

Модель ProNECL обеспечивает непрерывную расшифровку ЭЭГ, предварительно обучая извлекатель признаков $ \mathcal{F}_0 $ на начальном наборе данных $ \mathcal{D}_0 $ для получения доменно-инвариантных представлений, вычисления прототипов классов и сохранения их в памяти прототипов, а затем, при поступлении нового набора данных $ \mathcal{D}_N $, использует предыдущую модель $ \mathcal{F}_{N-1} $ в качестве учителя для обучения текущей модели $ \mathcal{F}_N $ посредством дистилляции знаний и проецирования ранее изученных прототипов в латентное пространство, что позволяет адаптироваться к новым субъектам и сохранять знания без повторного использования примеров.

Исследователи предлагают инновационный подход к непрерывному обучению моделей, анализирующих электроэнцефалограммы, позволяющий адаптироваться к новым пользователям без потери ранее полученных знаний.