Zobrazeno 1 - 10
of 33
pro vyhledávání: '"Zarei, Arman"'
Autor:
Zarei, Arman, Rezaei, Keivan, Basu, Samyadeep, Saberi, Mehrdad, Moayeri, Mazda, Kattakinda, Priyatham, Feizi, Soheil
Recent text-to-image diffusion-based generative models have the stunning ability to generate highly detailed and photo-realistic images and achieve state-of-the-art low FID scores on challenging image generation benchmarks. However, one of the primar
Externí odkaz:
http://arxiv.org/abs/2406.07844
Identifying the origin of data is crucial for data provenance, with applications including data ownership protection, media forensics, and detecting AI-generated content. A standard approach involves embedding-based retrieval techniques that match qu
Externí odkaz:
http://arxiv.org/abs/2406.02836
Autor:
Kalibhat, Neha, Kattakinda, Priyatham, Zarei, Arman, Seleznev, Nikita, Sharpe, Samuel, Kumar, Senthil, Feizi, Soheil
Vision transformers have established a precedent of patchifying images into uniformly-sized chunks before processing. We hypothesize that this design choice may limit models in learning comprehensive and compositional representations from visual data
Externí odkaz:
http://arxiv.org/abs/2405.16401
Epilepsy is one of the most prevalent brain disorders that disrupts the lives of millions worldwide. For patients with drug-resistant seizures, there exist implantable devices capable of monitoring neural activity, promptly triggering neurostimulatio
Externí odkaz:
http://arxiv.org/abs/2310.18767
Autor:
Azizmalayeri, Mohammad, Zarei, Arman, Isavand, Alireza, Manzuri, Mohammad Taghi, Rohban, Mohammad Hossein
Current machine learning models achieve super-human performance in many real-world applications. Still, they are susceptible against imperceptible adversarial perturbations. The most effective solution for this problem is adversarial training that tr
Externí odkaz:
http://arxiv.org/abs/2301.10454
Autor:
Azizmalayeri, Mohammad, Moakhar, Arshia Soltani, Zarei, Arman, Zohrabi, Reihaneh, Manzuri, Mohammad Taghi, Rohban, Mohammad Hossein
Out-of-distribution (OOD) detection has recently gained substantial attention due to the importance of identifying out-of-domain samples in reliability and safety. Although OOD detection methods have advanced by a great deal, they are still susceptib
Externí odkaz:
http://arxiv.org/abs/2209.15246
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.