taco
PulseAugur coverage of taco — every cluster mentioning taco across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
TACoS框架使用最小标注进行二维材料分割
研究人员开发了TACoS，一种使用弱监督学习进行二维材料分割的新框架。该方法通过将半监督一致性学习与结构化树能量约束相结合，大大减少了对广泛手动标注的需求。TACoS采用非对称区域对比学习来增强类内凝聚力和类间分离度，尤其是在具有挑战性的低对比度和复杂背景场景中。在石墨烯和二硫化钼数据集上的实验表明，TACoS在仅使用不到0.6%的标注数据的情况下，实现了超过96%的完全监督性能，为高通量筛选提供了高效的解决方案。
-
新框架从人类视频中学习灵巧操作
研究人员开发了V2P-Manip，一个从单目人类视频中学习灵巧操作策略的新框架。该方法整合了3D资产获取、轨迹估计和策略学习，并使用两阶段精炼过程来确保空间对齐和物理一致性。在TACO和OakInk基准上的评估表明，V2P-Manip在姿态准确性和训练效率方面显著优于现有方法，在合成操作任务上成功率超过75%。
-
Meta的SAM经过微调以提高废物分割精度
研究人员探索了Meta AI的Segment Anything Model (SAM) 在废物分割任务中的有效性。通过在三个特定的废物数据集上微调SAM，他们发现SAM-ViT-H模型显著提高了性能，在Zerowaste和TACO数据集上实现了+30的IoU提升。这项研究表明，微调SAM是增强其在废物分割等下游应用中泛化能力的关键步骤。
-
新框架CoSTL增强视频时刻检索和精彩片段检测
研究人员推出CoSTL，一个旨在改进视频时刻检索和精彩片段检测的新框架。该方法通过关注视频中细粒度的图像级细节和更广泛的时间理解来解决现有方法的局限性。CoSTL利用文本驱动的编码器进行详细的空间表示，并利用多尺度模块处理时间动态，在四个基准数据集上取得了最先进的成果。
-
GIRL-DETR 通过强化学习提升视频时刻检索能力
研究人员开发了 GIRL-DETR，一种通过解决轻量级模型的优化挑战来改进视频时刻检索的新方法。该方法在监督训练后冻结骨干网络，并采用三阶段渐进式强化学习策略直接优化不可微的评估指标。在基准数据集上的实验显示出显著的准确性提升，为强化学习在视频分析中的应用提供了新途径。
-
WristCompass 使用运动耦合实现相机方向估计
研究人员开发了 WristCompass，一种利用运动耦合动力学确定自我相机方向的新颖方法。该方法利用手腕运动和相机方向之间的物理关系，即使在场景几何被遮挡的情况下也有效。WristCompass 展现出强大的零样本迁移能力，在 TACO 数据集等基准测试中表现优于更大的模型，并为从以自我为中心的演示中进行模仿学习带来了希望。
-
新模型和方法提升表格基础模型效率
研究人员正在开发新的表格基础模型（TFMs），以提高效率和性能。TabSwift通过行级注意力和可学习令牌增强了TabPFN架构，实现了具有竞争力的准确性和更快的推理速度。LimiX-2M是一个较小的模型，通过解决注意力瓶颈和使用新颖的令牌化框架，也优于较大的基线模型。此外，研究人员正致力于通过社区驱动的“速通”来加速TFM预训练，并压缩数据集以实现更快的推理和减少内存使用。
-
TACO管线融合IMU和跨视图地理定位以实现精确导航
研究人员开发了TACO，这是一个新管线，它将惯性测量单元（IMU）数据与细粒度的跨视图地理定位（CVGL）紧密集成，可在没有连续GNSS信号的情况下实现精确的定位。该系统旨在在GNSS不可靠的环境中提供准确的位置修复，例如城市峡谷或信号干扰区域。TACO在KITTI数据集上展示了绝对轨迹误差的显著降低，从97.0米提高到16.3米，同时保持了较低的计算成本。
-
TACO框架通过张量压缩将大模型训练吞吐量提升1.87倍
研究人员推出了一种新颖的框架TACO，旨在提高大规模张量并行大语言模型（LLM）训练的效率。TACO采用基于FP8的中间张量压缩策略来解决通信开销问题，利用数据驱动的重塑和自适应Scale-Hadamard变换进行高保真量化。该框架还包含一个融合压缩算子，以减少内存流量和内核启动时间，从而更好地与通信重叠。使用GPT和Qwen模型进行的实验表明，TACO可以在几乎不损失准确性的情况下，将端到端吞吐量提高高达1.87倍。
-
面向无监督组合优化的测试时自适应
研究人员推出了一种新颖的框架 TACO，旨在增强无监督神经网络组合优化。该方法弥合了为通用问题实例训练的模型与专门为单个测试用例优化的模型之间的差距。TACO 战略性地预热训练好的参数，保留学到的归纳偏置，同时允许在没有显著计算开销的情况下进行灵活的、实例级别的自适应。在各种组合问题上的实验表明，与现有方法相比，TACO 在实现更好的解质量方面是有效的。