实体
Ruoyu Chen
Ruoyu Chen
PulseAugur coverage of Ruoyu Chen — every cluster mentioning Ruoyu Chen across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法利用多光谱和多模态人工智能增强伪装目标检测
研究人员开发了超越传统RGB图像的伪装目标检测（COD）新方法。其中一种方法MSFormer利用多光谱图像捕捉更丰富的光谱特征，在该复杂的低视觉任务上表现优于现有方法。另一种方法Phantom-Insight通过自适应融合多模态大语言模型的多种线索信息，并提高前景和背景元素的可分离性，来解决视频伪装目标检测中的挑战。
-
新的AI训练方法增强了决策理由和准确性
研究人员开发了一种新的可靠AI模型训练方法，该方法不仅能正确预测，还能用可接受的证据来证明其决策。这种方法称为基于子集归因约束的先验对齐训练，通过将人类先验编码为预期的输入区域，解决了模型依赖捷径相关性而非预期证据的问题。该方法使用基于子集选择的归因技术在训练过程中暴露模型的决策证据，并惩罚对非先验证据的依赖，鼓励模型将其归因转移到预期区域。该方法在图像分类和基于MLLM的GUI代理模型上得到了验证，提高了任务准确性和决策合理性。
-
新的训练方法增强了视觉模型的泛化能力和鲁棒性
研究人员开发了一种名为子集选择的反事实增强（SS-CA）的新训练方法，以提高视觉模型的因果推理能力。该技术使用归因方法来识别模型预测中的关键区域，然后通过数据增强来修改这些区域。通过在原始样本和增强样本上进行训练，SS-CA旨在减轻不完全的因果学习，并提高在各种基准测试上的泛化能力，包括分布外数据集和噪声等扰动下的性能。