دسته: مقالات علمی

تا حالا فکر کردید که مدل‌های بینایی-زبانی چطور ویدیوها را توصیف می‌کنند؟ معمولاً این توصیف‌ها کلی هستند، اما مدل جدید «VEGAS» آمده تا این…

محققان در مقاله‌ای جدید، نسل جدیدی از عوامل هوشمند (Agents) را معرفی کرده‌اند که مشکل بزرگ مدل‌های فعلی، یعنی «انفجار توکن‌های بصری» و کاهش…

محققان در تازه‌ترین پژوهش خود از مدل قدرتمند «CT-CLIP» برای پیش‌بینی بقای بیماران مبتلا به سرطان ریه استفاده کرده‌اند. چالش اصلی در مدل‌های پزشکی،…

محققان در پژوهشی جدید، راهکار هوشمندانه‌ای برای بهبود مدل‌های ویدیو-زبان پیدا کرده‌اند. این مدل‌ها اغلب در درک تعاملات «دست و شیء» (HOI) دچار خطا…

محققان در مقاله جدیدی به سراغ یکی از موضوعات مهم و کمتر بررسی‌شده در مدل‌های تبدیل متن به تصویر (T2I) رفته‌اند: «سوگیری نسبت به…

محققان در تازه‌ترین دستاورد خود، مدل پیشرفته‌ای به نام «Whareformer» را معرفی کرده‌اند که انقلابی در نحوه تعامل ربات‌ها و سیستم‌های بینایی با دنیای…

محققان در مقاله جدیدی، چارچوب نوآورانه «VocaDet» را برای شناسایی و بخش‌بندی اشیاء (Object Detection & Segmentation) معرفی کرده‌اند که نیازی به آموزش مجدد…

مدل‌های زبانی چندوجهی (MLLM) معمولاً برای هر سوالی، یک مسیر فکری ثابت را طی می‌کنند که گاهی باعث هدررفت انرژی و زمان می‌شود. محققان…

محققان در تازه‌ترین دستاورد خود، روشی نوآورانه به نام «Structured Sparse Autoencoder» یا به اختصار S²AE معرفی کرده‌اند که تحولی در درک عملکرد مدل‌های…

دنیای هوش مصنوعی روزبه‌روز واقعی‌تر می‌شود و همین موضوع باعث شده تشخیص تصاویر ساخته شده توسط AI (یا همان دیپ‌فیک‌ها) به یک چالش بزرگ…