画像の局所的なスタイル情報を反映した多様性のあるキャプション生成が可能に！
画像の局所的なスタイル情報を反映した多様性のあるキャプション生成が可能 ...
Image Caption
記事一覧
2つの視覚的特徴を統合し大幅な精度向上を達成した画像キャプション生成モデル、GRITが登場！
2つの視覚的特徴を統合し大幅な精度向上を達成した画像キャプション生成モ ...
Image Caption
入力画像から視線の軌跡を予測できるモデルが登場！
入力画像から視線の軌跡を予測できるモデルが登場！
Transformer
絵画データセットに含まれる感情バイアスを取り除いたArtEmis v2.0が登場！
絵画データセットに含まれる感情バイアスを取り除いたArtEmis v2 ...
dataset
テキストから動画生成が可能なオープンソースモデルCogVideoが登場！
テキストから動画生成が可能なオープンソースモデルCogVideoが登場 ...
Video Generation
エージェントの増減に対応可能なマルチエージェント強化学習アルゴリズム
エージェントの増減に対応可能なマルチエージェント強化学習アルゴリズム
強化学習
少ない計算リソースで動かすText to Speech手法
少ない計算リソースで動かすText to Speech手法
NAS
会話の聞き手の反応を生成するモデルが登場！？
会話の聞き手の反応を生成するモデルが登場！？
3D
知識蒸留で効果的な教師の条件とは？
知識蒸留で効果的な教師の条件とは？
knowledge distillation
マルチモーダル・エンドツーエンド・トランスフォーマー
マルチモーダル・エンドツーエンド・トランスフォーマー
Transformer
自己教師あり学習へのバックドア攻撃
自己教師あり学習へのバックドア攻撃
backdoor attack
より人間らしいリアルなジェスチャーを生成するための大規模データセットBEATが登場！
より人間らしいリアルなジェスチャーを生成するための大規模データセットB ...
dataset
Federated Learningにおける最適アーキテクチャ探索手法！
Federated Learningにおける最適アーキテクチャ探索手法 ...
NAS
グラフ表現とSMILES表現の両方を用いた逆合成解析モデルGTA
グラフ表現とSMILES表現の両方を用いた逆合成解析モデルGTA
Materials Informatics
ズームイン・ズームアウトによる敵対的攻撃！
ズームイン・ズームアウトによる敵対的攻撃！
adversarial perturbation
視覚認識モデルにおける弱教師あり事前学習について再検討する
視覚認識モデルにおける弱教師あり事前学習について再検討する
画像認識
CNNのカーネルサイズは大きくするべきか？
CNNのカーネルサイズは大きくするべきか？
論文
ImageNet事前学習モデルのプルーニングは下流タスクでどのように機能するか？
ImageNet事前学習モデルのプルーニングは下流タスクでどのように機 ...
Pruning
Wavelet Diffusion: 最高速の拡散モデル
Wavelet Diffusion: 最高速の拡散モデル
Image generation
ChatGPTによる顔認証の精度と透明性の向上、ソフトバイオメトリクスの新展開
ChatGPTによる顔認証の精度と透明性の向上、ソフトバイオメトリクス ...
Large language models
【RL-GPT】 Mincraftで通常の数倍の速さでダイヤモンドを取得するフレームワークが登場
【RL-GPT】 Mincraftで通常の数倍の速さでダイヤモンドを取 ...
機械学習
MBTIを用いてLLMに人間の性格を評価させるフレームワークが登場！
MBTIを用いてLLMに人間の性格を評価させるフレームワークが登場！
ChatGPT
お手軽！高精度！異常検知モデルPatchCoreの魅力
お手軽！高精度！異常検知モデルPatchCoreの魅力
Object Detection
【DPO】強化学習を用いずに大規模言語モデルをユーザの好みに直接合わせる手法
【DPO】強化学習を用いずに大規模言語モデルをユーザの好みに直接合わせ ...
RLHF
スポーツベッティングにおけるサッカーの試合予測に挑む機械学習モデル
スポーツベッティングにおけるサッカーの試合予測に挑む機械学習モデル
Sports Analytics
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
【Qwen2-VL】画像や動画を異なる解像度で処理できる最新VLM
Large language models
【Swin Transformer】今こそ押さえたいTransformer系画像認識モデル
【Swin Transformer】今こそ押さえたいTransform ...
画像認識
ViTに優った！大規模CNNの新たな基盤モデル！: InternImage
ViTに優った！大規模CNNの新たな基盤モデル！: InternIma ...
深層学習
ImmerseGen：エージェントが導く、軽量×高臨場の次世代VRシーン生成
ImmerseGen：エージェントが導く、軽量×高臨場の次世代VRシー ...
LLM-Paper
U-NetとTransformerを合体！医用画像セグメンテーションのための新しいネットワークSwin Unetを紹介｡
U-NetとTransformerを合体！医用画像セグメンテーションの ...
medical
【開発者必見】活性化関数の最新包括的レビュー！
【開発者必見】活性化関数の最新包括的レビュー！
survey
【Qwen2.5-Coder】コード生成や補完、数学の推論タスクに特化したLLM
【Qwen2.5-Coder】コード生成や補完、数学の推論タスクに特化 ...
Large language models
