“nesne tespiti” için sonuçlar
20 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
FPGA Tabanlı Yapay Zeka Sistemi Nesne Tespitinde Çığır Açtı
Araştırmacılar, sınırlı kaynaklara sahip cihazlarda çalışabilen yeni nesil bir yapay zeka sistemi geliştirdi. FPGA teknolojisi ve optimize edilmiş YOLOv3-Tiny algoritmasını birleştiren bu sistem, gömülü cihazlarda nesne tespit performansını önemli ölçüde artırıyor. Sistemde kullanılan düşük-bit kuantizasyon ve donanım hızlandırıcı tasarımı, hesaplama karmaşıklığını azaltırken enerji verimliliğini maksimuma çıkarıyor. Bu yenilik, otonom araçlardan güvenlik kameralarına kadar birçok alanda kullanılabilecek pratik çözümler sunuyor. Özellikle mobil ve IoT cihazlarda yapay zeka uygulamalarının yaygınlaşması için kritik bir adım teşkil ediyor.
iPhone'da 20 Dakikada Robotik Algı Sistemi: FalconApp Çığır Açıyor
Araştırmacılar, iPhone kullanarak sadece 20 dakikada robotik algı sistemleri geliştirebilen devrim niteliğinde bir uygulama geliştirdi. FalconApp adlı bu sistem, kullanıcının herhangi bir nesneyi kısa bir video ile çekmesinin ardından otomatik olarak etiketlenmiş sentetik veriler üretip makine öğrenmesi modeli eğitiyor. Geleneksel robotik algı sistemlerinde büyük miktarda manuel etiketlenmiş veri ihtiyacı en büyük engeldi. Bu yeni yaklaşım, gerçek dünya verilerinin manuel etiketleme sürecini tamamen ortadan kaldırarak robotik alanında önemli bir zaman ve maliyet tasarrufu sağlıyor. Sistem, nesne tespiti ve 6 serbestlik dereceli konum belirleme gibi karmaşık görevleri başarıyla yerine getiriyor.
Yapay Zeka Artık Çok Kameralı Görüntülerden 3D Nesneleri Daha İyi Algılayabiliyor
Araştırmacılar, çoklu kamera görüntülerini kullanarak üç boyutlu nesne tespiti yapan yeni bir yapay zeka sistemi geliştirdi. CAM3DNet adı verilen bu sistem, farklı ölçeklerdeki bilgileri daha verimli şekilde kullanarak nesnelerin 3D konumlarını tespit edebiliyor. Sistem, özellikle otonom araçlar ve robotik uygulamalar için kritik öneme sahip. Geleneksel yöntemlerin aksine, bu yeni yaklaşım çok boyutlu bilgileri işlerken daha az hesaplama gücü tüketiyor ve daha hassas sonuçlar veriyor. Teknoloji, composite query, adaptive self-attention ve multi-scale hybrid sampling olmak üzere üç yenilikçi modülü birleştiriyor. Bu gelişme, makine görüsü alanında önemli bir adım olarak değerlendiriliyor.
Boğulan insanları kurtarmak için yapay zeka destekli drone sistemi geliştirildi
Araştırmacılar, su alanlarında boğulma tehlikesi yaşayan kişileri hızla tespit edip kurtarmak için otonom drone sistemi geliştirdi. Sistem, yüzme alanları yakınındaki özel hangarlarda konuşlandırılmış drone filosundan oluşuyor ve acil durumda otomatik olarak devreye girerek görüntü tabanlı nesne tespiti ile tehlikede olan kişiyi buluyor. Dronlar, kişiyi tespit ettikten sonra yüzdürme cihazı bırakarak ilk müdahaleyi gerçekleştiriyor. Bu teknoloji, özellikle denetimsiz ve geniş yüzme alanlarında yaşanan zaman baskısı ve konumsal zorlukları aşmayı hedefliyor.
Yapay Zeka Uydu Görüntülerinde Nesne Tespitinde Çığır Açtı
Araştırmacılar, uydu görüntülerinde nesneleri tespit etmek için yeni bir yapay zeka yaklaşımı geliştirdi. DiffuSAM adlı bu sistem, diffüzyon modelleri ile segmentasyon algoritmalarını birleştirerek uzaktan algılama görüntülerinde nesneleri daha hassas şekilde konumlandırıyor. Geleneksel yöntemlere kıyasla %14 oranında daha yüksek doğruluk elde eden bu teknoloji, karmaşık uydu görüntülerinde bile güvenilir nesne tespiti yapabiliyor. Bu gelişme, çevre izleme, şehir planlama ve afet yönetimi gibi alanlarda uydu verilerinin daha etkin kullanımını sağlayabilir.
OVOD-Agent: Görsel Akıl Yürütme ile Kendini Geliştiren Yapay Zeka Detektörü
Araştırmacılar, görsel nesneleri tespit eden yapay zeka sistemlerinin performansını artıran yeni bir yaklaşım geliştirdi. OVOD-Agent adı verilen bu sistem, geleneksel sabit kategori eşleştirmesi yerine proaktif görsel akıl yürütme kullanıyor. Chain-of-Thought paradigmasından ilham alan sistem, görsel bağlamı anlamak için Markov karar süreçleri kullanıyor ve zamanla kendini geliştiriyor. Bu yenilik, yapay zekanın görsel nesneleri tanıma ve sınıflandırma yeteneklerinde önemli bir ilerleme sağlayabilir.
Yapay Zeka Modelleri Aynı Anlama Gelen Kelimeleri Farklı Algılıyor
Görsel-dil modellerinin tutarlılığını araştıran yeni bir çalışma, şaşırtıcı sonuçlar ortaya koydu. 'Bir insan', 'bir kişi' ve 'bir yaya' gibi aynı anlama gelen farklı ifadeler kullanıldığında, yapay zeka modelleri görüntülerde farklı nesneleri tespit ediyor. COCO veri setindeki 263 görüntü üzerinde yapılan deneylerde, altı farklı benzer ifade kullanıldığında ortalama 2,11 farklı nesne seçimi yapıldığı gözlemlendi. Bu tutarsızlık rastgele değil, yapısal bir pattern gösteriyor. Araştırma, metin benzerliğinin bu farklılıkların sadece %34'ünü açıklayabildiğini ve sorunun temel olarak modellerin karar verme mekanizmasından kaynaklandığını gösteriyor. Bu bulgular, yapay zeka sistemlerinin güvenilirliği açısından önemli sorular ortaya çıkarıyor.
Humanoid robotlar artık 30 dakikada yeni nesneleri kavrayabilecek
Araştırmacılar, humanoid robotların yeni nesneleri kavrayabilmesi için gereken süreyi 1-2 günden 30 dakikaya indiren devrimsel bir sistem geliştirdi. Geleneksel yöntemler veri toplama, manuel etiketleme ve 3D model oluşturma gibi uzun süreçler gerektiriyordu. Yeni pipeline üç temel yapay zeka modelini birleştiriyor: otomatik nesne tespiti için YOLOv8, 3D yeniden yapılandırma için Meta SAM 3D ve zero-shot 6-DoF poz takibi için FoundationPose. Bu entegre sistem lazer tarayıcı gibi pahalı ekipmanlara olan ihtiyacı ortadan kaldırırken, Unitree G1 humanoid robotu üzerindeki testlerde %99.5 tespit doğruluğu elde etti. Sistem Unity tabanlı ters kinematik planlayıcı kullanarak robot eklemlerini kontrol ediyor ve UDP protokolü ile gerçek zamanlı komut iletimi sağlıyor.
Yapay zeka görsel algısında yeni dönem: Difüzyon ve durum uzayı modellerinin birleşimi
Araştırmacılar, görsel sahnelerdeki önemli nesneleri tespit eden yapay zeka sistemlerini geliştirmek için yenilikçi bir yaklaşım ortaya koydu. DGSSM adlı yeni framework, difüzyon modellerinin güçlü yapısal öğrenme kabiliyetini durum uzayı modellerinin hızlı işlem gücüyle birleştiriyor. Bu hibrit sistem, görüntülerdeki nesnelerin sınırlarını daha hassas şekilde belirleyebiliyor ve çoklu veri türlerini (multimodal) etkili bir şekilde işleyebiliyor. Geleneksel yapay zeka modelleri ya hızlı ama sınır tespitinde yetersiz kalıyor ya da çok hassas ama yavaş çalışıyordu. Bu yeni yaklaşım, her iki avantajı da bir araya getirerek bilgisayarlı görü alanında önemli bir ilerleme sağlıyor.
Otonom Sürüş İçin Tek Platform: OneDrive Yapay Zeka Modeli
Araştırmacılar, otonom araçlar için devrim niteliğinde birleşik bir yapay zeka sistemi geliştirdi. OneDrive adlı bu yeni model, görsel algı, dil işleme ve hareket planlamasını tek bir platformda birleştiriyor. Geleneksel sistemlerde farklı görevler için ayrı dekoder sistemleri kullanılırken, OneDrive tüm işlemleri tek bir transformer dekoder içinde gerçekleştiriyor. Sistem, önceden eğitilmiş görsel-dil modellerinin dikkat mekanizmalarının sadece metin üretimi değil, nesne tespiti ve yörünge planlaması gibi karmaşık görevlerde de başarılı olabileceğini kanıtlıyor. Bu yaklaşım, otonom sürüş teknolojisinde daha verimli ve entegre çözümler sunma potansiyeli taşıyor.
Yapay zeka az veriyle askeri araçları daha iyi tespit ediyor
Araştırmacılar, sınırlı veri koşullarında askeri araç tespitini iyileştirmek için yeni bir yapay zeka yaklaşımı geliştirdi. Çalışmada, sınıf başına sadece 8-24 gerçek görüntü kullanarak FLUX.1 difüzyon modeli eğitildi ve bu model yeni sentetik görüntüler üretti. Üretilen yapay görüntüler, RF-DETR tespit sisteminin performansını önemli ölçüde artırdı. Bu yaklaşım, askeri uygulamalarda sıkça karşılaşılan veri kıtlığı sorununa pratik bir çözüm sunuyor. Yöntem, mevcut sınırlı veri setini daha etkin kullanarak, ek gerçek veri toplamaya gerek kalmadan tespit doğruluğunu iyileştiriyor. Araştırma, difüzyon tabanlı görüntü üretiminin savunma teknolojilerindeki potansiyelini gösteriyor.
Uzman Karışımı Modelleri Nesne Tespitinde Yeni Ufuklar Açıyor
Yapay zeka araştırmacıları, nesne tespit sistemlerinin performansını artırmak için 'uzman karışımı' yaklaşımını kullanmaya başladı. Bu yenilikçi yöntem, farklı alanlarda uzmanlaşmış birden fazla yapay sinir ağını akıllı bir şekilde birleştirerek, tek bir sistemin yapabileceğinden daha karmaşık görme görevlerini başarıyla yerine getirebiliyor. Araştırmacılar, YOLO tabanlı tespit sistemlerini özel veri kümeleri üzerinde eğittikten sonra, hangi uzmanın ne zaman devreye girmesi gerektiğini belirleyen akıllı bir ağ geçidi sistemi geliştirdi. Bu yaklaşım, geleneksel topluluk öğrenme yöntemlerinden farklı olarak daha açıklanabilir ve yorumlanabilir sonuçlar sunuyor. BDD100K veri seti üzerinde yapılan deneyler, sistemin farklı senaryolarda uzmanları dinamik olarak seçerek başarılı sonuçlar elde edebildiğini gösteriyor.
OD3: Nesne Tespitinde Veri Miktarını 10 Kat Azaltan Yeni Yöntem
Araştırmacılar, yapay zeka modellerinin nesne tespit eğitimi için gereken veri miktarını dramatik şekilde azaltan yeni bir yöntem geliştirdi. OD3 adı verilen bu teknik, büyük veri setlerinden kompakt ve etkili sentetik veri kümeleri oluşturuyor. Geleneksel yöntemlerden farklı olarak optimizasyon gerektirmeyen bu yaklaşım, iki aşamalı bir süreç kullanıyor: önce nesneleri uygun konumlara yerleştiren bir seçim süreci, ardından düşük güvenilirlikli nesneleri ayıklayan bir filtreleme aşaması. MS COCO ve PASCAL VOC gibi popüler veri setlerinde test edilen yöntem, eğitim süresini ve hesaplama maliyetlerini önemli ölçüde düşürürken model performansını koruyor. Bu gelişme, özellikle kaynak kısıtlı ortamlarda çalışan araştırmacılar için büyük önem taşıyor.
Uydu Görüntülerinde Nesne Tespitini Hızlandıran Yeni AI Modeli
Araştırmacılar, uydu görüntülerindeki önemli nesneleri tespit etmek için ORSIFlow adlı yenilikçi bir yapay zeka modeli geliştirdi. Uzaktan algılama görüntülerinde nesne tespiti, karmaşık arkaplanlar ve düşük kontrast nedeniyle oldukça zorlu bir alan. Geleneksel yöntemler yavaş ve hesaplama açısından maliyetli iken, yeni model deterministik bir yaklaşım kullanarak bu sorunları çözüyor. ORSIFlow, sıkıştırılmış bir uzayda çalışarak sadece birkaç adımda hızlı sonuçlar üretiyor ve özel bileşenlerle nesne sınırlarını daha hassas şekilde belirleyebiliyor. Bu gelişme, harita yapımından çevre izlemeye kadar birçok alanda uydu görüntülerinin daha etkili kullanılmasını sağlayabilir.
WildDet3D: Tek Fotoğraftan 3D Nesne Tespiti Yapan Yapay Zeka Sistemi
Araştırmacılar, tek bir RGB görüntüden nesnelerin üç boyutlu konumunu, boyutunu ve yönelimini tespit edebilen yeni bir yapay zeka sistemi geliştirdi. WildDet3D adlı bu sistem, metin, nokta ve kutu gibi farklı komut türlerini anlayabiliyor ve ek geometrik ipuçlarını da değerlendirme sürecine dahil edebiliyor. Mevcut sistemlerden farklı olarak, kontrollü ortamlarla sınırlı kalmayıp açık dünyada çeşitli nesne kategorileriyle çalışabiliyor. Sistem ayrıca derinlik bilgisi gibi ek geometrik veriler mevcut olduğunda bunları da kullanarak daha doğru sonuçlar üretiyor. Bu gelişme, robotik, artırılmış gerçeklik ve otonom sürüş gibi alanlarda önemli uygulamalara sahip olan uzamsal zekanın geliştirilmesinde kritik bir adım.
Yapay Zeka Polen Tanıma Sisteminde Çığır Açtı: 6 Kat Hızlı Analiz
Geleneksel polen analizi, bal kalitesini belirlemede kritik öneme sahip ancak uzman bir analisti 4-6 saat meşgul eden yorucu bir süreçti. Şili'deki araştırmacılar, bu sorunu çözmek için gelişmiş yapay zeka teknolojilerini birleştiren otomatik bir sistem geliştirdi. U²-Net tabanlı nesne tespiti ve DINOv2 Vision Transformer mimarisi kullanan sistem, polen taneciklerini %95.8 doğrulukla sınıflandırırken analiz süresini altıda birine indiriyor. Gradient-Weighted Attention teknolojisi sayesinde sistem, uzmanların anlayabileceği görsel açıklamalar da üretiyor. Bu gelişme, melissopalinoloji alanında devrim yaratabilecek nitelikte.
Zayıf Öğretmenle Güçlü Öğrenci: Yapay Zeka Eğitiminde Devrim
Araştırmacılar, yapay zeka modellerinin eğitim süresini dramatik şekilde kısaltan yeni bir yöntem geliştirdi. Geleneksel bilgi aktarım yöntemlerinin tersine, bu yaklaşım daha zayıf bir 'öğretmen' modeli kullanarak güçlü öğrenci modellerin eğitimini hızlandırıyor. Yöntem, eğitimin sadece erken aşamalarında zayıf öğretmenden bilgi aktarımı yapıyor ve öğrenci öğretmeni geçtiğinde bu süreci durduruyor. ImageNet ve CIFAR veri setlerinde 4,8 kata kadar hızlanma sağlanırken, nesne tespiti ve görüntü üretimi gibi farklı alanlarda da başarılı sonuçlar alındı. Bu buluş, büyük ölçekli görsel öğrenmenin maliyetini önemli ölçüde azaltabilecek potansiyele sahip.
Otonom araçlar için yeni AI sistemi beklenmedik nesneleri daha iyi tanıyor
Otonom sürüş teknolojisinde önemli bir adım: araştırmacılar, LiDAR sensörleriyle çalışan yapay zeka sistemlerinin beklenmedik nesneleri tespit etme yetisini artıran yeni bir framework geliştirdi. Neural Distribution Prior (NDP) adlı bu sistem, eğitim verilerinde bulunmayan nesneleri tanımada mevcut yöntemlerin ana sorunu olan sınıf dengesizliği problemini çözüyor. Geleneksel sistemler tüm nesne sınıflarının eşit dağıldığını varsayar, ancak gerçek dünyada bu böyle değil. NDP, ağ tahminlerinin dağılım yapısını modelleyerek ve öğrenilen dağılım önceliğine göre skorları yeniden ağırlıklandırarak bu sorunu aşıyor. Sistem ayrıca dikkat tabanlı bir modül ile sınıf bağımlı güven yanlılığını düzeltiyor ve Perlin gürültüsü tabanlı sentez stratejisi kullanıyor.
İHA Görüntülerindeki Minik Nesneleri Tespit Eden Yeni Yapay Zeka Sistemi
Araştırmacılar, insansız hava araçları (İHA) ile çekilen görüntülerdeki çok küçük nesneleri tespit etmek için DroneScan-YOLO adlı yeni bir yapay zeka sistemi geliştirdi. Mevcut YOLO tabanlı tespit sistemleri, 32 piksel altındaki nesneleri fark etmekte zorlanıyor ve yoğun hesaplama gücü gerektiriyordu. Yeni sistem, 1280x1280 çözünürlükle çalışarak daha fazla uzamsal detay yakalıyor, gereksiz filtreleri otomatik olarak temizleyen RPA-Block mekanizması kullanıyor ve sadece %1.1 parametre artışıyla 4 piksel adımlı yeni bir tespit dalı ekliyor. Hibrit kayıp fonksiyonu SAL-NWD ile de özellikle çok küçük nesnelerdeki tespit başarısını artırıyor. Bu gelişme, arama-kurtarma operasyonları, tarımsal izleme ve güvenlik uygulamalarında kritik öneme sahip.
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.