Forwarded from BaseLine
Друзья!
Мы с командой @amazing_research просим помочь с проведением пользовательского исследования для статьи
Задача — оценить реалистичность автоматически сгенерированных текстовых контекстов для персонализированной рекомендации фильмов
Прохождение задания занимает около 5 минут и не требует специальных знаний
Telegram-бот: @RecSysUserStudyBot
Заранее спасибо всем, кто пройдет!
Важно пройти его до 5го июня, чтобы мы успели обработать результаты 🤗
Мы с командой @amazing_research просим помочь с проведением пользовательского исследования для статьи
Задача — оценить реалистичность автоматически сгенерированных текстовых контекстов для персонализированной рекомендации фильмов
Прохождение задания занимает около 5 минут и не требует специальных знаний
Telegram-бот: @RecSysUserStudyBot
Заранее спасибо всем, кто пройдет!
Важно пройти его до 5го июня, чтобы мы успели обработать результаты 🤗
👍1
Наконец-то в журнале PeerJ CS опубликовали нашу работу NeRFUS: neural radiance fields with uncertainty and semantics . C октября 2024 года она рецензировалась там - было много итераций, журнал уже успел из Q1 выбыть в Q2 (надеемся что вернется назад).
В этой работе мы показали как учет неопределенности (uncertainty) позволяет повысить качество формирования семантических полей яркости. Это также дает возможность искать ошибки в разметке изображений семантическими масками. Подобную технологию можно также распространить и на популярные сейчас методы гауссовского сплаттинга.
Код здесь: https://github.com/yuddim/NeRFUS
#papers
В этой работе мы показали как учет неопределенности (uncertainty) позволяет повысить качество формирования семантических полей яркости. Это также дает возможность искать ошибки в разметке изображений семантическими масками. Подобную технологию можно также распространить и на популярные сейчас методы гауссовского сплаттинга.
Код здесь: https://github.com/yuddim/NeRFUS
#papers
🔥5
Forwarded from Center for Cognitive Modeling
🎓 — Семинар 18. Повышение качества ответов на пространственно-временные вопросы по видео | София Зимина, Александр Лазарев, Роман Кузнецов
👉🏻 Дата: 04.06.26, четверг в 17:00
📹 Трансляция: ВК или YouTube
Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!
#семинары #CV
Современные мультимодальные модели умеют анализировать видео, однако их ответы на пространственно-временные вопросы часто остаются недостаточно надежными. Для таких вопросов важно понимать не только, какие объекты присутствуют в сцене, но и где они находятся относительно друг друга, как перемещаются и как меняются их отношения во времени. Для повышения качества ответов предлагается использовать графы сцены как структурированное представление видео: объекты описываются вершинами графа, а отношения между ними — ребрами. Это позволяет явно хранить информацию о взаимном расположении объектов и использовать ее для более точных ответов на вопросы.
В рамках семинара будет рассмотрено, какие сложности возникают при ответах на пространственные вопросы по видео, как строятся графы сцены и как они могут применяться для задачи Visual Question Answering.
👉🏻 Дата: 04.06.26, четверг в 17:00
📹 Трансляция: ВК или YouTube
Подключайтесь к живому обсуждению и задавайте вопросы в прямом эфире! Ждем всех!
#семинары #CV
❤1
На постерной сессии A*-конференции ICRA’2026 в Вене представили нашу работу Knowledge-Guided Manipulation Using Multi-Task Reinforcement Learning
В ней был разработан метод KG-M3PO, который для решения задачи манипуляции предметами по текстовому запросу помимо входного изображения и состояния звеньев манипулятора использует закодированный граф окружающей 3D-сцены. Эту работу приняли на конференцию с первого раза, рецензенты отметили новизну и пользу такого подхода.
#Papers #ICRA
В ней был разработан метод KG-M3PO, который для решения задачи манипуляции предметами по текстовому запросу помимо входного изображения и состояния звеньев манипулятора использует закодированный граф окружающей 3D-сцены. Эту работу приняли на конференцию с первого раза, рецензенты отметили новизну и пользу такого подхода.
#Papers #ICRA
❤9🔥3
Поделюсь объявлением, которое раздавали на конференции ICRA’2026 о Летней школе по робототехнике для молодежи в Праге: The 2026 IEEE RAS Summer School on Multi-Robot Systems (July 29 - August 4, 2026).
Лекторы - широко известные, но за учебную программу и жилье участники платят сами.
Ссылка: https://mrs.fel.cvut.cz/summer-school-2026/
#News #ICRA
Лекторы - широко известные, но за учебную программу и жилье участники платят сами.
Ссылка: https://mrs.fel.cvut.cz/summer-school-2026/
#News #ICRA
👍1
🔥12❤2🤔2👍1
Отдельный пост о российских докладах на основном треке A* конференции ICRA-2026: на прошлой неделе мне удалось посетить их все. Россия попала в рейтинг стран, подавших больше всего докладов на ICRA - всего было подано 37 докладов, что на 1 штуку больше чем у страны-хозяйки конференции в 2026 году - Австрии. Но среди 37 них приняли всего 7 статей и все были представлены как постеры:
1. Narendra A., Maribjonov M., Makarov D., Yudin D., Panov A. Knowledge-Guided Manipulation Using Multi-Task Reinforcement Learning
2. Staroverov A., Alhaddad M., Narendra A., Mironov K., Panov A. Dynamic Neural Potential Field: Online Trajectory Optimization in Presence of Moving Obstacles
3. Danik Y., Makarov D., Arkhipova A., Davidenko S., Panov A. TOCALib: Optimal control library with interpolation for bimanual manipulation and obstacles avoidance
4. A. Konushin, N. Drozdov, B. Gabdullin, A. Zakharov, A. Vorontsova, D. Rukhovich, M. Kolodiazhnyi. TUN3D: Towards Real-World Scene Understanding from Unposed Images
5. I. Indyk, I. Penshin, I. Sosin, M. Monastyrny, A. Valenkov, I. Makarov. WideDepth: Millimeter-Accurate Benchmark for Fisheye Depth Estimation
6. V. Serpiva, A. Lykov, F. Batool, V. Kozlovskiy, M. A. Cabrera, D. Tsetserukou. FlightDiffusion: Revolutionising Autonomous Drone Training with Diffusion Models Generating FPV Video
7. L. Ratnabala, R. Peter, A. Fedoseev, D. Tsetserukou. HIPPO-MAT: Decentralized Task Allocation Using GraphSAGE and Multi-Agent Deep Reinforcement Learning
#ICRA #References
1. Narendra A., Maribjonov M., Makarov D., Yudin D., Panov A. Knowledge-Guided Manipulation Using Multi-Task Reinforcement Learning
2. Staroverov A., Alhaddad M., Narendra A., Mironov K., Panov A. Dynamic Neural Potential Field: Online Trajectory Optimization in Presence of Moving Obstacles
3. Danik Y., Makarov D., Arkhipova A., Davidenko S., Panov A. TOCALib: Optimal control library with interpolation for bimanual manipulation and obstacles avoidance
4. A. Konushin, N. Drozdov, B. Gabdullin, A. Zakharov, A. Vorontsova, D. Rukhovich, M. Kolodiazhnyi. TUN3D: Towards Real-World Scene Understanding from Unposed Images
5. I. Indyk, I. Penshin, I. Sosin, M. Monastyrny, A. Valenkov, I. Makarov. WideDepth: Millimeter-Accurate Benchmark for Fisheye Depth Estimation
6. V. Serpiva, A. Lykov, F. Batool, V. Kozlovskiy, M. A. Cabrera, D. Tsetserukou. FlightDiffusion: Revolutionising Autonomous Drone Training with Diffusion Models Generating FPV Video
7. L. Ratnabala, R. Peter, A. Fedoseev, D. Tsetserukou. HIPPO-MAT: Decentralized Task Allocation Using GraphSAGE and Multi-Agent Deep Reinforcement Learning
#ICRA #References
👍3