Large Vision Models Can Solve Mental Rotation Problems
PulseAugur coverage of Large Vision Models Can Solve Mental Rotation Problems — every cluster mentioning Large Vision Models Can Solve Mental Rotation Problems across labs, papers, and developer communities, ranked by signal.
-
新框架将时间序列预测视为视觉修复任务
研究人员推出 ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图等视觉表示，来利用大型视觉模型的能力。该方法允许预训练的视觉 Transformer 在这些视觉提示中完成模式，而无需专门的时间架构或大量的微调。在流行病学、气象学和电力系统等不同领域的实验表明，ICI-Time 在现有深度学习方法中具有竞争力，尤其是在数据有限的情况下。
-
新的TEE-X框架加速边缘大型视觉模型
研究人员开发了TEE-X，一个旨在为边缘应用中的可信执行环境（TEE）内的大型视觉模型加速的新框架。该框架解决了在TEE中运行这些模型所面临的内存限制和计算延迟挑战，目标是实现GPU级别的推理速度。TEE-X采用感知敏感的模块化技术和向量化来优化性能，同时为对时间敏感的边缘视觉任务保持准确性和安全性。
-
ICI-Time框架将时间序列预测重构为视觉修复问题
研究人员开发了ICI-Time，一个将时间序列预测视为视觉修复问题的新框架。该方法通过将时间序列数据转换为面积图，然后用于模式补全任务，从而利用大型视觉模型。在流行病学、气象学和电力系统中的实验表明，ICI-Time在与现有深度学习方法相比时具有竞争力，尤其是在数据有限的情况下。
-
新框架通过双视角乳腺X线摄影融合增强乳腺癌分类
研究人员开发了一种新颖的以Token为中心的框架，通过有效融合头尾（CC）和内侧斜位（MLO）视图的信息来改进乳腺X线摄影图像的乳腺癌分类。该方法利用冻结的视觉Transformer骨干网络，并将视图间交互重新构建为结构化的Token级通信，专用的融合Token促进了跨多个Transformer深度的双向信息交换。在VinDr-Mammo数据集上的实验显示，与现有的融合基线相比，BI-RADS评估的二元分类AUC提高了0.10，取得了显著的改进。