ESLint version 10 has removed the legacy eslintrc configuration system, finalizing a long transition to flat config. The update enhances developer experience, especially for plugin authors and...

This essay was originally published on The Sidebar, Mozilla’s Substack. Trigger warning: Discussion of pregnancy loss. Open up TikTok on any given day and you’ll find confident young women openly...

本研究提出EndoVLA模型，旨在解决传统内窥镜操作中对异常区域追踪能力不足和手动调优负担重的问题。该模型结合内窥镜图像与医生提示，整合视觉、语言和运动规划，采用双阶段策略，显著提升追踪性能和零样本泛化能力。

本研究提出了一种迭代蒸馏方法，旨在解决多目标跟踪和快速运动目标的计算挑战。该方法将高保真模拟转化为简化的GPU加速环境，跟踪精度误差低于5米，为自主车队控制提供了可扩展框架，显著提升样本效率。

本研究提出了一种新样本选择方法，针对噪声标签下的图像分类，能够有效识别正确标记的困难样本。通过跟踪模型预测置信度的变化，提高了样本选择的精度和召回率，实验结果表明该方法显著提升了噪声标签学习的性能。

本研究探讨了多智能体生成过程中的来源追踪问题，提出了一种不依赖内部记忆或外部元信息的历史归因系统。该系统通过符号编年史概念逐步更新生成历史，旨在促进负责任的协作人工智能发展。

本研究提出EffOWT方法，旨在提升开放世界跟踪的模型泛化能力。该方法结合了Transformer和CNN结构，显著提高了跟踪性能，内存节省36.4%，跟踪精度提升5.5%。

本研究提出了一种对比式一阶段变换器融合框架(COST)，有效解决视觉-语言追踪算法中的分布偏差问题，提升了跨模态对齐和特征表示的一致性。实验结果表明，COST在多个数据集上表现优异。

本研究探讨了在足球和冰球等连续侵略性运动中获取高分辨率跟踪数据的挑战，并提出了一种利用Google Research Football环境收集模拟数据的方法，以推动人工智能与体育分析的结合。研究表明，模拟数据能有效促进相关研究进展。

本研究提出了AI驱动的对话式日志记录系统PATRIKA，旨在改善帕金森病患者的信息收集。该系统通过互动和个性化设计，提高患者参与感，解决传统日志记录中的信息不完整和不准确问题，显示出在治疗管理中的重要潜力。

本研究指出，仅凭许可证条款无法准确评估数据集的法律风险，强调全面追踪数据集的重新分发及生命周期的重要性。研究开发的自动化合规系统NEXUS显示，人工智能在追踪和识别法律风险方面比人工专家更高效、准确。

本研究提出了MITracker方法，解决了多视角目标跟踪中的数据集和跨视角集成不足的问题。构建了包含234K高质量标注帧的数据集，MITracker有效整合多视角特征，提供了稳定的跟踪结果，表现优于现有方法，具有重要的应用潜力。

本研究提出了UASTrack框架，解决了现有RGB-X跟踪器在单一目标跟踪中对模态自适应感知关注不足的问题。通过Discriminative Auto-Selector和Task-Customized Optimization Adapter，该框架显著提升了跟踪性能，且训练参数极少，具有广泛的实际应用潜力。

本研究提出了一种通用神经跟踪控制器，结合强化学习和模仿学习，利用大规模成功示范显著提升了控制器在动态环境中的性能，成功率提高超过10%。

本研究提出了一种新颖的多模态视觉特征学习框架，有效解决了内窥镜实时自我运动追踪的挑战，实验结果表明其性能优于现有技术，推理速度超过每秒30帧。

该研究提出了一种新算法，解决了呼吸暂停放疗中基准标记迁移导致的定位不准确问题。通过重建基准标记位置的体积概率图，能够精确追踪标记位置，自动评估每日残余运动，从而调整治疗计划，展现出重要的适应性放疗潜力。

本研究提出了一种新型自监督学习框架，旨在提高介入X射线中设备（如导管、气球和支架）的检测精度。该方法通过结合补充线索和多表示空间，显著提升了设备标记的定位能力，气球标记检测误差减少87%，导管尖端检测误差减少61%。

本研究提出了一种基于多智能体强化学习的方法，优化粒子探测器中的粒子轨迹重构问题。通过任务分配约束，显著提升了重构性能并降低了预测不稳定性。

本研究提出可微分基数约束（DCC）方法，以优化指数跟踪中的部分复制，降低高交易成本。DCC在多项式时间复杂度下，能够准确计算和强制执行实际基数，优于基线方法，具有显著的应用潜力。

本研究提出了一种动态解耦融合网络DDFNet，旨在解决RGB-T追踪中的低分辨率、相似外观和极端照明等挑战。通过设计六个基于属性的融合模型，优化特征融合，显著提升了追踪性能。实验结果表明，DDFNet在各类基准数据集上优于其他先进方法。