Araştırmacılar, 3D nesneleri otomatik olarak anlamlı parçalara ayırabilen yenilikçi bir yapay zeka sistemi geliştirdi. SegviGen adlı bu sistem, mevcut 3D üretici modellerden yararlanarak nesnelerin farklı bölümlerini renkli kodlarla ayırt ediyor. Geleneksel yöntemlerin aksine, büyük veri setlerine ya da yoğun hesaplama gücüne ihtiyaç duymuyor. Sistem, kullanıcı etkileşimli segmentasyon, tam otomatik bölümleme ve 2D rehberlikli segmentasyon gibi farklı modlarda çalışabiliyor. Bu teknoloji, 3D modelleme, oyun geliştirme, robotik ve sanal gerçeklik uygulamalarında önemli ilerlemeler sağlayabilir. Özellikle karmaşık 3D nesnelerin analizinde ve manipülasyonunda yeni olanaklar sunuyor.

Araştırmacılar, kalp MR görüntülerinde sol atrium duvarının segmentasyonunu iyileştiren yeni bir yapay zeka yöntemi geliştirdi. C2W-Tune adlı bu yaklaşım, iki aşamalı bir transfer öğrenme stratejisi kullanarak önce kalp boşluğunu öğreniyor, sonra bu bilgiyi ince duvar yapılarını tespit etmek için kullanıyor. Sol atrium duvarının doğru segmentasyonu, duvar kalınlığının haritalanması ve fibrozis miktarının belirlenmesi için kritik öneme sahip. Ancak duvarın inceliği, karmaşık anatomisi ve düşük kontrast nedeniyle bu işlem oldukça zorlayıcı. Yeni yöntem, 3D U-Net mimarisi ile ResNeXt kodlayıcısını birleştirerek, önce atrium boşluğunu segmente etmeyi öğreniyor, ardından bu bilgiyi duvar segmentasyonuna aktarıyor. Test sonuçları, geleneksel yöntemlere kıyasla önemli iyileşmeler gösteriyor.

Araştırmacılar, tıbbi görüntü segmentasyonunda yapay zekanın belirsizlik tahminlerini nasıl pratik kararlara dönüştürebileceğini araştırdı. Retina damar görüntüleri üzerinde yapılan çalışmada, belirsizlik haritalarının doğru stratejilerle kullanılması durumunda segmentasyon hatalarının yüzde 80'ine kadar azaltılabildiği gösterildi. İki aşamalı bir yaklaşım benimseyen bilim insanları, tahmin ve karar verme süreçlerini ayrı ayrı optimize ederek, yapay zekanın hangi tahminleri kabul edeceği, hangileri işaretleyeceği veya erteleyeceği konusunda daha etkili politikalar geliştirdi. Bu çalışma, tıbbi yapay zeka uygulamalarında güvenlik ve doğruluğun artırılması açısından önemli bir adım olarak değerlendiriliyor.

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.

Araştırmacılar, makine öğrenmesi sistemleri için video sıkıştırma teknolojisinde önemli bir yenilik geliştirdi. PAT-VCM adlı yeni sistem, farklı yapay zeka görevleri için ayrı ayrı video kodlayıcı eğitme ihtiyacını ortadan kaldırıyor. Geleneksel yöntemler her görev için özel sıkıştırma algoritması gerektirirken, bu sistem tek bir temel video akışını hafif 'yardımcı tokenlar' ile destekleyerek çoklu görevlerde kullanılabiliyor. Sistem, görsel kalıntı tokenları, kontrol tokenları ve anlamsal tokenlar olmak üzere üç tür yardımcı bilgi türünü destekliyor. Nesne tespiti, derinlik tahmin etme ve görüntü segmentasyonu gibi farklı görevlerde test edilen sistem, her görev için ayrı model eğitme maliyetini azaltırken performansı koruyor. Bu yaklaşım, yapay zeka sistemlerinin video analizi yeteneklerini daha verimli hale getirerek endüstriyel uygulamalarda önemli bir adım teşkil ediyor.

Araştırmacılar, görüntü segmentasyonunda çalışan yapay zeka modellerinin şaşırtıcı bir hata türü keşfetti. Bu modeller, nesnelerin sınırlarını doğru tespit edebiliyor ancak tamamen yanlış etiketler atayabiliyor. Örneğin bir köpeği bulup sınırlarını çiziyor ama 'kedi' diyor. Bu durum, modellerin eğitim verilerindeki sahte korelasyonlara dayanmasından kaynaklanıyor. Cornell Üniversitesi araştırmacıları, bu 'semantik etiket takası' sorununun geleneksel değerlendirme yöntemleriyle fark edilmediğini gösterdi. Çalışma, yapay zekanın gerçek dünya uygulamalarında karşılaşabileceği kritik güvenilirlik sorunlarına ışık tutuyor.