Araştırmacılar, görüntü işlemede önemli bir soruna yenilikçi bir çözüm geliştirdi. ModuSeg adlı bu yeni framework, zayıf denetimli görüntü bölütleme işlemini eğitim gerektirmeden gerçekleştiriyor. Geleneksel yöntemler, nesne tanıma ve konumlandırmayı birlikte optimize etmeye çalışırken genellikle görüntülerin yalnızca küçük ayırt edici bölgelerine odaklanıyor. Bu da hem zaman kaybına hem de başarım düşüklüğüne neden oluyor. ModuSeg, nesne keşfi ile anlambilimsel atama süreçlerini birbirinden ayırarak bu sorunu çözüyor. Sistem, güvenilir sınırları olan geometrik önerileri çıkarmak için genel bir maske önerici kullanırken, anlambilimsel temel modelleri kullanarak çevrimdışı özellik bankası oluşturuyor. Bu yaklaşım, çok aşamalı yeniden eğitim gerektirmediği için hem zaman tasarrufu sağlıyor hem de daha kararlı sonuçlar veriyor.

Araştırmacılar, yapay zekanın geometri problemlerindeki görsel algı sorununu çözmek için yeni bir yaklaşım geliştirdi. Çok modlu büyük dil modelleri (MLLM'ler) karmaşık metinleri anlayabilse de, geometrik şekilleri görsel olarak algılamakta zorlanıyordu. Yeni geliştirilen 'Geoparsing' sistemi, hem düzlem hem de katı geometriyi kapsayan birleşik bir formal dil kullanarak bu sorunu çözüyor. Sistem, 29 bin gerçek geometri örneği ile eğitildi ve denetimli öğrenme ile pekiştirmeli öğrenmeyi birleştiren hibrit bir yaklaşım kullanıyor. Bu gelişme, yapay zekanın matematik eğitiminden mühendislik uygulamalarına kadar geniş bir yelpazede kullanılabilmesinin önünü açıyor.

Araştırmacılar, otonom kargo dronlarının kentsel alanlarda güvenli paket teslimatı yapabilmesi için yenilikçi bir yapay zeka sistemi geliştirdi. 'See&Say' adlı bu sistem, görsel algı ve dil modellerini birleştirerek dronların iniş yapacakları alanları dinamik olarak değerlendiriyor. Geleneksel yaklaşımlar sadece geometrik analiz veya görüntü segmentasyonuna odaklanırken, yeni sistem her iki yöntemi entegre ederek daha güvenilir karar verme sağlıyor. Sistem, tek kamerayla çekilen görüntülerdeki derinlik gradyanlarını açık-kelime dağarcığı algılama maskeleriyle birleştirerek güvenlik haritaları oluşturuyor. Bu teknolojik gelişme, kargo dronlarının karmaşık şehir ortamlarında güvenli teslimat yapabilmesi için kritik bir adım.

Çok modlu büyük dil modelleri (MLLM'ler), görüntülerdeki nesnelerin 2D yönelimini belirleme konusunda ciddi zorluklar yaşıyor. Yeni bir araştırma, bu sorunun kaynağını araştırarak görsel kodlayıcıların rolünü inceliyor. CLIP ve SigLIP gibi yaygın kullanılan kodlayıcıların, geometrik akıl yürütme yerine görüntü-metin anlamsal hizalama için eğitilmiş olmasının bu başarısızlığın temel nedeni olabileceği hipotezi test ediliyor. Araştırmacılar, LLaVA OneVision ve Qwen2.5-VL gibi modellerden elde edilen kodlayıcı temsillerinin rotasyon bilgisini koruyup korumadığını ölçmek için kontrollü deneysel protokoller tasarlıyor.