“görüntü segmentasyonu” için sonuçlar
11 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Otonom Araçlar İçin Yeni Bakış Takip Sistemi: Metinden Nesneye Geçiş
Araştırmacılar, otonom araçların sürücü davranışlarını daha iyi taklit edebilmesi için yeni bir görsel dikkat tahmin sistemi geliştirdi. Mevcut sistemler sadece genel sahne görüntülerini analiz edebiliyordu, ancak yeni yaklaşım her bir nesneyi ayrı ayrı değerlendiriyor. G-W3DA adı verilen özel veri seti kullanılarak geliştirilen sistem, büyük dil modellerini görüntü segmentasyonu teknolojisi ile birleştiriyor. Bu sayede otonom araçlar, yalnızca nereye bakması gerektiğini değil, hangi nesnelere odaklanması gerektiğini de öğrenebiliyor. Sistem, sürücülerin dikkatini nesne düzeyinde modelleyerek daha güvenli ve insan benzeri sürüş davranışları sergileyebilir.
Yapay Zeka Tıbbi Görüntülerde Segmentasyonu Eğitim Gerektirmeden Geliştirebiliyor
Araştırmacılar, tıbbi görüntü segmentasyonunu eğitim gerektirmeden iyileştiren SegTTA adlı yeni bir framework geliştirdi. Bu sistem, farklı hastanelerdeki ekipman ve operatör farklılıklarından kaynaklanan görüntü kalitesi sorunlarını çözmek için tasarlandı. Framework, gamma düzeltme, kontrast artırma, Gaussian bulanıklaştırma ve gürültü ekleme gibi dört farklı veri artırma tekniğini birleştiriyor. Sistemi test etmek için sağlıklı rahim segmentasyonu, rahim miyomu tespiti ve karaciğer yapıları segmentasyonu gibi üç farklı dataset kullanıldı. Sonuçlar, büyük organların yoğunluk artırımından, küçük lezyonların ise gürültü artırımından faydalandığını gösterdi. Bu yaklaşım, mevcut modelleri yeniden eğitmeye gerek kalmadan tıbbi görüntü analizi performansını artırabiliyor.
Yapay Zeka Tıbbi Görüntü Analizinde Yeni Bir Döneme Kapı Açıyor
Araştırmacılar, tıbbi görüntü segmentasyonunda devrim yaratabilecek APEX adlı yeni bir yapay zeka sistemi geliştirdi. Bu sistem, her tıbbi görüntüye özel olarak uyarlanabilen akıllı promptlar kullanarak, farklı hastane ve cihazlardan gelen görüntüleri daha başarılı şekilde analiz edebiliyor. Geleneksel yöntemler tek bir prompt ile tüm görüntüleri işlerken, APEX her görüntünün özelliklerine göre en uygun promptu seçiyor. Bu yaklaşım, özellikle tıp alanında kritik öneme sahip olan görüntü çeşitliliği sorununu çözerek, yapay zekanın farklı koşullarda daha güvenilir sonuçlar vermesini sağlıyor.
URVIS 2026: Zorlu Hava Koşullarında Yapay Zeka Görüş Sistemleri Yarışması
URVIS 2026 yarışması, yapay zekanın zorlu hava koşullarında görüntü analizi yeteneklerini test eden ilk büyük ölçekli etkinlik olarak tamamlandı. Fırtına, kar ve aşırı yağış gibi ekstrem koşullarda çalışabilen görüntü segmentasyon algoritmaları üzerine düzenlenen yarışmaya 17 katılımcı kayıt yaptırdı ve toplam 47 çözüm sunuldu. MUSES veri seti kullanılarak gerçekleştirilen etkinlik, RGB kameralar, LiDAR, radar ve olay kameralarından elde edilen verileri harmanlayarak gerçek dünya koşullarını simüle etti. Yarışma sonuçları, mevcut yapay zeka sistemlerinin zorlu hava koşullarında hala önemli sınırlılıkları olduğunu gösterdi. Bu tür araştırmalar, otonom araçlar ve güvenlik sistemleri için kritik öneme sahip.
Yapay Zeka Görüntü-Metin Eşleştirmesinde Çığır Açan T-REN Teknolojisi
Araştırmacılar, yapay zekanın görüntü ve metin verilerini anlama konusundaki iki temel sorunu çözen yeni bir teknoloji geliştirdi. T-REN (Metin Hizalı Bölge Kodlayıcı Ağı) adlı bu sistem, görsel verileri metin açıklamalarıyla çok daha etkili şekilde eşleştiriyor. Geleneksel yöntemlerin aksine, görüntüdeki her bölgeyi ayrı ayrı analiz ederek metinlerle uyumlu hale getiriyor. Bu yaklaşım, özellikle açık kelime dağarcığı ile görüntü segmentasyonu gibi zorlu görevlerde büyük ilerlemeler sağlıyor. Aynı zamanda sistem, uzun videolar gibi büyük veri setlerini işlerken çok daha az hesaplama gücü kullanıyor. Sadece %3.7 ek parametre ile çalışan bu teknoloji, mevcut sistemlere kıyasla hem daha hızlı hem de daha doğru sonuçlar üretiyor.
Uydu Görüntülerinde Yapay Zeka Segmentasyonu için Büyük Ölçekli Test Platformu
Araştırmacılar, uydu görüntülerindeki nesneleri otomatik olarak tanımlayan yapay zeka sistemlerini değerlendirmek için kapsamlı bir test platformu geliştirdi. OVRSISBenchV2 adlı bu platform, 170 bin görüntü ve 128 farklı kategori içeriyor. Sistem, önceden eğitilmediği nesneleri bile tanıyabilen 'açık kelime dağarcıklı' segmentasyon teknolojisini test ediyor. Bu çalışma, tarım izleme, şehir planlama ve çevre koruma gibi alanlarda kullanılan uydu görüntü analizi teknolojilerinin geliştirilmesine önemli katkı sağlıyor.
Kuantum ve Klasik Bilişimi Birleştiren Yeni Yaklaşım Uydu Görüntülerini Analiz Ediyor
Araştırmacılar, uydu görüntülerindeki nesneleri tanımlamak için kuantum ve klasik bilişim tekniklerini birleştiren yeni bir yapay zeka modeli geliştirdi. HQF-Net adı verilen bu hibrit sistem, geleneksel yöntemlerin aksine hem küçük detayları hem de geniş bölgelerdeki anlamsal bağlamı eşzamanlı olarak yakalayabiliyor. Model, dondurulmuş bir görü transformatörü omurgası ile özelleştirilmiş U-Net mimarisini birleştirirken, kuantum devrelerini kullanan özel bileşenler aracılığıyla özellik iyileştirmesi gerçekleştiriyor. Bu yaklaşım, uzaktan algılama uygulamalarında görüntü segmentasyonunda önemli iyileşmeler vaat ediyor ve kuantum hesaplamanın pratik AI uygulamalarında nasıl kullanılabileceğine dair yeni perspektifler sunuyor.
Yapay Zeka Tıbbi Görüntü Analizinde Belirsizlikleri Kararlara Dönüştürüyor
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.
Dronlar için AI Destekli Güvenli İniş Sistemi Geliştirildi
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.
Video Sıkıştırmada Yapay Zeka için Yeni Esnek Yaklaşım: PAT-VCM
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.
Yapay Zeka Gözünde Büyük Yanılsama: Doğru Yeri Buluyor, Yanlış İsim Veriyor
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.