arXiv:2511.08651v1 Announce Type: new 
Abstract: Dynamic Scene Graph Generation (DSGG) models how object relations evolve over time in videos. However, existing methods are trained only on annotated object pairs and lack guidance for non-related pairs, making it difficult to identify meaningful relations during inference. In this paper, we propose Relation Scoring Network (RS-Net), a modular framework that scores the contextual importance of object pairs using both spatial interactions and long-range temporal context. RS-Net consists of a spatial context encoder with learnable context tokens and a temporal encoder that aggregates video-level information. The resulting relation scores are integrated into a unified triplet scoring mechanism to enhance relation prediction. RS-Net can be easily integrated into existing DSGG models without architectural changes. Experiments on the Action Genome dataset show that RS-Net consistently improves both Recall and Precision across diverse baselines, with notable gains in mean Recall, highlighting its ability to address the long-tailed distribution of relations. Despite the increased number of parameters, RS-Net maintains competitive efficiency, achieving superior performance over state-of-the-art methods.

تقدم الورقة RS-Net، وهو إطار عمل جديد لتوليد الرسوم البيانية الديناميكية للمشاهد (DSGG) الذي يعزز تحديد العلاقات بين الكائنات في مقاطع الفيديو من خلال تقييم أهميتها السياقية. من خلال دمج التفاعلات المكانية والسياق الزمني على المدى الطويل، يحسن RS-Net كل من الاسترجاع والدقة في توقعات العلاقات، مما يعالج التحديات في التعرف على الأزواج غير المرتبطة. هذه الخطوة مهمة لتطبيقات الذكاء الاصطناعي في تحليل الفيديو، حيث تحافظ على الكفاءة مع تحقيق أداء متفوق.

El artículo presenta RS-Net, un nuevo marco para la Generación Dinámica de Grafos de Escenas (DSGG) que mejora la identificación de relaciones entre objetos en videos al puntuar su importancia contextual. Al integrar interacciones espaciales y contexto temporal a largo plazo, RS-Net mejora tanto el Recall como la Precisión en las predicciones de relaciones, abordando desafíos en el reconocimiento de pares no relacionados. Este avance es significativo para aplicaciones de IA en análisis de video, ya que mantiene la eficiencia mientras logra un rendimiento superior.

Cet article présente RS-Net, un nouveau cadre pour la génération dynamique de graphes de scènes (DSGG) qui améliore l'identification des relations entre objets dans les vidéos en évaluant leur importance contextuelle. En intégrant des interactions spatiales et un contexte temporel à long terme, RS-Net améliore à la fois le rappel et la précision des prédictions de relations, abordant les défis de la reconnaissance des paires non liées. Cette avancée est significative pour les applications d'IA dans l'analyse vidéo, car elle maintient l'efficacité tout en atteignant des performances supérieures.

The paper introduces RS-Net, a new framework for Dynamic Scene Graph Generation (DSGG) that enhances the identification of object relations in videos by scoring their contextual importance. By integrating spatial interactions and long-range temporal context, RS-Net improves both Recall and Precision in relation predictions, addressing challenges in recognizing non-related pairs. This advancement is significant for AI applications in video analysis, as it maintains efficiency while achieving superior performance.

RS-Net: Context-Aware Relation Scoring for Dynamic Scene Graph Generation

arXiv:2511.14109v1 Announce Type: new 
Abstract: Visual Place Recognition (VPR) aims to match query images against a database using visual cues. State-of-the-art methods aggregate features from deep backbones to form global descriptors. Optimal transport-based aggregation methods reformulate feature-to-cluster assignment as a transport problem, but the standard Sinkhorn algorithm symmetrically treats source and target marginals, limiting effectiveness when image features and cluster centers exhibit substantially different distributions. We propose an asymmetric aggregation VPR method with geometric constraints for locally aggregated descriptors, called $A^2$GC-VPR. Our method employs row-column normalization averaging with separate marginal calibration, enabling asymmetric matching that adapts to distributional discrepancies in visual place recognition. Geometric constraints are incorporated through learnable coordinate embeddings, computing compatibility scores fused with feature similarities, thereby promoting spatially proximal features to the same cluster and enhancing spatial awareness. Experimental results on MSLS, NordLand, and Pittsburgh datasets demonstrate superior performance, validating the effectiveness of our approach in improving matching accuracy and robustness.

$A^2$GC-VPR هو أسلوب جديد للتعرف على الأماكن البصرية (VPR) يتناول قيود أساليب التجميع التقليدية في مطابقة صور الاستعلام مع قاعدة بيانات. من خلال اعتماد نهج تجميع غير متماثل مع قيود هندسية، يعزز هذا الأسلوب فعالية مطابقة الميزات، خاصة عند التعامل مع توزيعات متباينة لميزات الصورة ومراكز التجمع. تستخدم التقنية متوسطات تطبيع الصفوف والأعمدة مع تضمينات إحداثيات قابلة للتعلم لتحسين درجات التوافق لوصفيات التجميع المحلي.

$A^2$GC-VPR es un nuevo método para el Reconocimiento Visual de Lugares (VPR) que aborda las limitaciones de los métodos de agregación tradicionales al emparejar imágenes de consulta con una base de datos. Al emplear un enfoque de agregación asimétrica con restricciones geométricas, este método mejora la efectividad del emparejamiento de características, especialmente cuando se enfrentan a distribuciones variables de características de imagen y centros de clúster. La técnica utiliza promedios de normalización fila-columna y embeddings de coordenadas aprendibles para mejorar las puntuaciones de…

$A^2$GC-VPR est une nouvelle méthode pour la reconnaissance de lieux visuels (VPR) qui s'attaque aux limites des méthodes d'agrégation traditionnelles dans l'appariement d'images de requête à une base de données. En adoptant une approche d'agrégation asymétrique avec des contraintes géométriques, cette méthode améliore l'efficacité de l'appariement des caractéristiques, en particulier lorsqu'il s'agit de distributions variées des caractéristiques d'image et des centres de clusters. La technique utilise une moyenne de normalisation ligne-colonne et des embeddings de coordonnées apprenables pour…

$A^2$GC-VPR is a new method for Visual Place Recognition (VPR) that addresses the limitations of traditional aggregation methods in matching query images to a database. By employing an asymmetric aggregation approach with geometric constraints, this method enhances the effectiveness of feature matching, particularly when dealing with varying distributions of image features and cluster centers. The technique utilizes row-column normalization averaging and learnable coordinate embeddings to improve compatibility scores for locally aggregated descriptors.

$A^2$GC: $A$symmetric $A$ggregation with Geometric Constraints for Locally Aggregated Descriptors

arXiv:2511.14247v1 Announce Type: new 
Abstract: Multi-agents rely on accurate poses to share and align observations, enabling a collaborative perception of the environment. However, traditional GNSS-based localization often fails in GNSS-denied environments, making consistent feature alignment difficult in collaboration. To tackle this challenge, we propose a robust GNSS-free collaborative perception framework based on LiDAR localization. Specifically, we propose a lightweight Pose Generator with Confidence (PGC) to estimate compact pose and confidence representations. To alleviate the effects of localization errors, we further develop the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT), which performs confidence-aware spatial alignment while capturing essential temporal context. Additionally, we present a new simulation dataset, V2VLoc, which can be adapted for both LiDAR localization and collaborative detection tasks. V2VLoc comprises three subsets: Town1Loc, Town4Loc, and V2VDet. Town1Loc and Town4Loc offer multi-traversal sequences for training in localization tasks, whereas V2VDet is specifically intended for the collaborative detection task. Extensive experiments conducted on the V2VLoc dataset demonstrate that our approach achieves state-of-the-art performance under GNSS-denied conditions. We further conduct extended experiments on the real-world V2V4Real dataset to validate the effectiveness and generalizability of PASTAT.

يقدم المقال إطارًا جديدًا للإدراك التعاوني بدون GNSS باستخدام تحديد المواقع بواسطة LiDAR، حيث يتناول التحديات التي تواجهها البيئات التي تفتقر إلى GNSS. غالبًا ما تواجه طرق تحديد المواقع التقليدية صعوبات في هذه البيئات، مما يعيق التعاون الفعال بين أنظمة الوكلاء المتعددة. تتضمن الحلول المقترحة مولد وضع خفيف الوزن مع ثقة (PGC) لتقدير الأوضاع وتمثيلات الثقة، بالإضافة إلى محول التوافق الزماني المكاني الواعي بالوضع (PASTAT) الذي يقوم بأداء التوافق المكاني مع مراعاة الثقة. كما تم تقديم مجموعة بيانات محاكاة جديدة، V2VLoc، التي يمكن تكييفها لمهام تحديد المواقع بواسطة LiDAR والاكتشاف التعاوني.

El artículo presenta un nuevo marco para la percepción colaborativa sin GNSS utilizando la localización por LiDAR, abordando los desafíos que se enfrentan en entornos sin GNSS. Los métodos de localización tradicionales a menudo tienen dificultades en estos entornos, lo que dificulta la colaboración efectiva entre sistemas multiagente. La solución propuesta incluye un Generador de Pose con Confianza (PGC) para estimar poses y confianza, junto con el Transformador de Alineación Espacio-Temporal Consciente de la Pose (PASTAT) para el alineamiento espacial. Se introduce un nuevo conjunto de datos …

L'article présente un nouveau cadre pour la perception collaborative sans GNSS utilisant la localisation par LiDAR, abordant les défis rencontrés dans les environnements privés de GNSS. Les méthodes de localisation traditionnelles peinent souvent dans ces contextes, entravant la collaboration efficace entre systèmes multi-agents. La solution proposée comprend un générateur de pose léger avec confiance (PGC) pour estimer les poses et la confiance, ainsi qu'un transformateur d'alignement spatio-temporel conscient de la pose (PASTAT) pour l'alignement spatial. Un nouveau jeu de données de simulat…

The article presents a new framework for GNSS-free collaborative perception using LiDAR localization, addressing the challenges faced in GNSS-denied environments. Traditional localization methods often struggle in these settings, hindering effective collaboration among multi-agent systems. The proposed solution includes a lightweight Pose Generator with Confidence (PGC) for estimating poses and confidence, alongside the Pose-Aware Spatio-Temporal Alignment Transformer (PASTAT) for spatial alignment. A new simulation dataset, V2VLoc, is introduced, which supports LiDAR localization and collabor…

V2VLoc: Robust GNSS-Free Collaborative Perception via LiDAR Localization

arXiv:2511.14210v1 Announce Type: new 
Abstract: We introduce Orion, a visual agent framework that can take in any modality and generate any modality. Using an agentic framework with multiple tool-calling capabilities, Orion is designed for visual AI tasks and achieves state-of-the-art results. Unlike traditional vision-language models that produce descriptive outputs, Orion orchestrates a suite of specialized computer vision tools, including object detection, keypoint localization, panoptic segmentation, Optical Character Recognition, and geometric analysis, to execute complex multi-step visual workflows. The system achieves competitive performance on MMMU, MMBench, DocVQA, and MMLongBench while extending monolithic vision-language models to production-grade visual intelligence. By combining neural perception with symbolic execution, Orion enables autonomous visual reasoning, marking a transition from passive visual understanding to active, tool-driven visual intelligence.

أورايون هو إطار جديد لوكيل بصري قادر على معالجة وتوليد أنماط متعددة. يستخدم إطارًا وكيلًا مع قدرات متعددة لاستدعاء الأدوات، محققًا نتائج رائدة في مهام الذكاء الاصطناعي البصري. على عكس نماذج الرؤية-اللغة التقليدية، يستخدم أورايون أدوات رؤية حاسوبية متخصصة لتنفيذ سير عمل بصري معقد، محققًا أداءً تنافسيًا في معايير مثل MMMU وMMBench وDocVQA وMMLongBench. يمثل هذا النظام تحولًا نحو الاستدلال البصري المستقل، مما يعزز الذكاء البصري.

Orion es un nuevo marco de agente visual capaz de procesar y generar diversas modalidades. Utiliza un marco agentivo con múltiples capacidades de llamada a herramientas, logrando resultados de vanguardia en tareas de IA visual. A diferencia de los modelos tradicionales de visión-lenguaje, Orion emplea herramientas especializadas de visión por computadora para flujos de trabajo visuales complejos, alcanzando un rendimiento competitivo en benchmarks como MMMU, MMBench, DocVQA y MMLongBench. Este sistema marca una transición hacia el razonamiento visual autónomo, mejorando la inteligencia visual.

Orion est un nouveau cadre d'agent visuel capable de traiter et de générer diverses modalités. Il utilise un cadre agentique avec plusieurs capacités d'appel d'outils, atteignant des résultats de pointe dans les tâches d'IA visuelle. Contrairement aux modèles traditionnels de vision-langage, Orion utilise des outils de vision par ordinateur spécialisés pour des flux de travail visuels complexes, obtenant des performances compétitives sur des benchmarks tels que MMMU, MMBench, DocVQA et MMLongBench. Ce système marque un tournant vers le raisonnement visuel autonome, améliorant l'intelligence vi…

Orion is a newly introduced visual agent framework capable of processing and generating various modalities. It employs an agentic framework with multiple tool-calling capabilities, achieving state-of-the-art results in visual AI tasks. Unlike traditional vision-language models, Orion utilizes specialized computer vision tools for complex visual workflows, achieving competitive performance on benchmarks like MMMU, MMBench, DocVQA, and MMLongBench. This system marks a shift towards autonomous visual reasoning, enhancing visual intelligence.

Orion: A Unified Visual Agent for Multimodal Perception, Advanced Visual Reasoning and Execution

arXiv:2511.14620v1 Announce Type: new 
Abstract: Falls are a leading cause of injury and loss of independence among older adults. Vision-based fall prediction systems offer a non-invasive solution to anticipate falls seconds before impact, but their development is hindered by the scarcity of available fall data. Contributing to these efforts, this study proposes the Biomechanical Spatio-Temporal Graph Convolutional Network (BioST-GCN), a dual-stream model that combines both pose and biomechanical information using a cross-attention fusion mechanism. Our model outperforms the vanilla ST-GCN baseline by 5.32% and 2.91% F1-score on the simulated MCF-UA stunt-actor and MUVIM datasets, respectively. The spatio-temporal attention mechanisms in the ST-GCN stream also provide interpretability by identifying critical joints and temporal phases. However, a critical simulation-reality gap persists. While our model achieves an 89.0% F1-score with full supervision on simulated data, zero-shot generalization to unseen subjects drops to 35.9%. This performance decline is likely due to biases in simulated data, such as `intent-to-fall' cues. For older adults, particularly those with diabetes or frailty, this gap is exacerbated by their unique kinematic profiles. To address this, we propose personalization strategies and advocate for privacy-preserving data pipelines to enable real-world validation. Our findings underscore the urgent need to bridge the gap between simulated and real-world data to develop effective fall prediction systems for vulnerable elderly populations.

تُعتبر السقوط من الأسباب الرئيسية للإصابات وفقدان الاستقلالية بين كبار السن. توفر أنظمة التنبؤ بالسقوط المعتمدة على الرؤية حلاً غير جراحي لتوقع السقوط قبل ثوانٍ من حدوثه، لكن تطويرها يواجه صعوبة بسبب نقص البيانات المتاحة عن السقوط. تقترح هذه الدراسة شبكة الالتفاف البيوميكانيكية الزمانية المكانية (BioST-GCN)، وهو نموذج ذو مسارين يجمع بين معلومات الوضعية والبيوميكانيكا من خلال آلية دمج الانتباه المتبادل. يتفوق نموذجنا على خط الأساس ST-GCN بنسبة 5.32% و2.91% في درجة F1 على مجموعات البيانات المحاكية MCF-UA وMUVIM على التوالي. ومع ذلك، لا تزال هناك فجوة حرجة بين المحاكاة والواقع.

Las caídas son una de las principales causas de lesiones y pérdida de independencia entre los adultos mayores. Los sistemas de predicción de caídas basados en visión ofrecen una solución no invasiva para anticipar caídas segundos antes del impacto, pero su desarrollo se ve obstaculizado por la escasez de datos sobre caídas. Este estudio propone la Red de Convolución Gráfica Espacio-Temporal Biomecánica (BioST-GCN), un modelo de doble flujo que combina información de postura y biomecánica mediante un mecanismo de fusión de atención cruzada. Nuestro modelo supera la línea base ST-GCN en un 5.32%…

Les chutes représentent une cause majeure de blessures et de perte d'autonomie chez les personnes âgées. Les systèmes de prédiction des chutes basés sur la vision offrent une méthode non invasive pour anticiper les chutes quelques secondes avant qu'elles ne se produisent, mais leur développement est freiné par le manque de données sur les chutes. Cette étude propose le Réseau de Convolution Graphique Spatio-Temporel Biomecanique (BioST-GCN), un modèle à double flux qui combine des informations de pose et biomécaniques via un mécanisme de fusion par attention croisée. Le modèle dépasse la référ…

Falls are a significant cause of injury and loss of independence among older adults. Vision-based fall prediction systems can provide a non-invasive method to anticipate falls moments before they occur, but their development is limited by the lack of available fall data. This study introduces the Biomechanical Spatio-Temporal Graph Convolutional Network (BioST-GCN), a dual-stream model that integrates pose and biomechanical data through a cross-attention fusion mechanism. The model surpasses the baseline ST-GCN by 5.32% and 2.91% F1-score on simulated datasets, while also offering insights int…

Fusing Biomechanical and Spatio-Temporal Features for Fall Prediction: Characterizing and Mitigating the Simulation-to-Reality Gap

arXiv:2511.13911v1 Announce Type: new 
Abstract: Despite recent progress in predicting biomarker trajectories from real clinical data, uncertainty in the predictions poses high-stakes risks (e.g., misdiagnosis) that limit their clinical deployment. To enable safe and reliable use of such predictions in healthcare, we introduce a conformal method for uncertainty-calibrated prediction of biomarker trajectories resulting from randomly-timed clinical visits of patients. Our approach extends conformal prediction to the setting of randomly-timed trajectories via a novel nonconformity score that produces prediction bands guaranteed to cover the unknown biomarker trajectories with a user-prescribed probability. We apply our method across a wide range of standard and state-of-the-art predictors for two well-established brain biomarkers of Alzheimer's disease, using neuroimaging data from real clinical studies. We observe that our conformal prediction bands consistently achieve the desired coverage, while also being tighter than baseline prediction bands. To further account for population heterogeneity, we develop group-conditional conformal bands and test their coverage guarantees across various demographic and clinically relevant subpopulations. Moreover, we demonstrate the clinical utility of our conformal bands in identifying subjects at high risk of progression to Alzheimer's disease. Specifically, we introduce an uncertainty-calibrated risk score that enables the identification of 17.5% more high-risk subjects compared to standard risk scores, highlighting the value of uncertainty calibration in real-world clinical decision making. Our code is available at github.com/vatass/ConformalBiomarkerTrajectories.

تم تطوير طريقة جديدة للتنبؤ بمسارات المؤشرات الحيوية في مرض الزهايمر، حيث تعالج عدم اليقين في التنبؤات السريرية. تتيح هذه التقنية التنبؤية المتوافقة إجراء تنبؤات موثوقة من الزيارات السريرية التي تتم في أوقات عشوائية، مما يضمن أن تغطي نطاقات التنبؤ المسارات الفعلية للمؤشرات الحيوية باحتمالية محددة. تم اختبار النهج باستخدام بيانات التصوير العصبي من دراسات سريرية معروفة، مما يوضح فعاليته في تعزيز أمان التطبيقات السريرية.

Se ha desarrollado un nuevo método para predecir las trayectorias de biomarcadores en la enfermedad de Alzheimer, abordando la incertidumbre en las predicciones clínicas. Esta técnica de predicción conforme permite pronósticos fiables a partir de visitas clínicas programadas aleatoriamente, asegurando que las bandas de predicción cubran las trayectorias reales de los biomarcadores con una probabilidad especificada. El enfoque se probó utilizando datos de neuroimagen de estudios clínicos establecidos, demostrando su eficacia para mejorar la seguridad de las aplicaciones clínicas.

Une nouvelle méthode de prédiction des trajectoires de biomarqueurs dans la maladie d'Alzheimer a été développée, abordant l'incertitude des prédictions cliniques. Cette technique de prédiction conforme permet des prévisions fiables à partir de visites cliniques chronométrées de manière aléatoire, garantissant que les bandes de prédiction couvrent les trajectoires réelles des biomarqueurs avec une probabilité spécifiée. L'approche a été testée à l'aide de données d'imagerie cérébrale provenant d'études cliniques établies, démontrant son efficacité pour améliorer la sécurité des applications cl…

A new method for predicting biomarker trajectories in Alzheimer's disease has been developed, addressing the uncertainty in clinical predictions. This conformal prediction technique allows for reliable forecasts from randomly-timed clinical visits, ensuring that the prediction bands cover the actual biomarker trajectories with a specified probability. The approach was tested using neuroimaging data from established clinical studies, demonstrating its effectiveness in enhancing the safety of clinical applications.

Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands

arXiv:2511.07231v3 Announce Type: replace 
Abstract: Access to Water, Sanitation, and Hygiene (WASH) services remains a major public health concern in refugee camps. This study introduces a remote sensing-driven framework to quantify WASH accessibility-specifically to water pumps, latrines, and bathing cubicles-in the Rohingya camps of Cox's Bazar, one of the world's most densely populated displacement settings. Detecting refugee shelters in such emergent camps presents substantial challenges, primarily due to their dense spatial configuration and irregular geometric patterns. Using sub-meter satellite images, we develop a semi-supervised segmentation framework that achieves an F1-score of 76.4% in detecting individual refugee shelters. Applying the framework across multi-year data reveals declining WASH accessibility, driven by rapid refugee population growth and reduced facility availability, rising from 25 people per facility in 2022 to 29.4 in 2025. Gender-disaggregated analysis further shows that women and girls experience reduced accessibility, in scenarios with inadequate safety-related segregation in WASH facilities. These findings suggest the importance of demand-responsive allocation strategies that can identify areas with under-served populations-such as women and girls-and ensure that limited infrastructure serves the greatest number of people in settings with fixed or shrinking budgets. We also discuss the value of high-resolution remote sensing and machine learning to detect inequality and inform equitable resource planning in complex humanitarian environments.

يظل الوصول إلى خدمات المياه والصرف الصحي والنظافة (WASH) منخفضًا بشكل كبير في مخيمات اللاجئين الروهينغا في كوكس بازار، التي تُعتبر من أكثر بيئات النزوح كثافة سكانية في العالم. استخدمت دراسة حديثة صورًا فضائية بدقة تحت المتر لتطوير إطار لتقييم إمكانية الوصول إلى خدمات WASH، مع التركيز على مضخات المياه والمراحيض وكبائن الاستحمام. تشير النتائج إلى تراجع إمكانية الوصول إلى خدمات WASH، حيث زاد عدد الأشخاص لكل مرفق من 25 في عام 2022 إلى 29.4 في عام 2025، مما زاد من تفاقم الوضع بسبب النمو السريع في عدد السكان وتقليل توفر المرافق.

El acceso a los servicios de Agua, Saneamiento e Higiene (WASH) es extremadamente bajo en los campos de refugiados rohingyas de Cox's Bazar, que son uno de los entornos de desplazamiento más densamente poblados del mundo. Un estudio reciente utilizó imágenes satelitales de submetro para desarrollar un marco que evalúa la accesibilidad a WASH, centrándose en bombas de agua, letrinas y cubículos de baño. Los hallazgos indican una disminución en la accesibilidad a WASH, con el número de personas por instalación aumentando de 25 en 2022 a 29.4 en 2025, exacerbada por el rápido crecimiento de la po…

L'accès aux services d'eau, d'assainissement et d'hygiène (WASH) est gravement insuffisant dans les camps de réfugiés rohingyas de Cox's Bazar, qui figurent parmi les zones de déplacement les plus densément peuplées au monde. Une étude récente a utilisé des images satellites à sous-mètre pour développer un cadre d'évaluation de l'accessibilité aux WASH, en se concentrant sur les pompes à eau, les latrines et les cabines de bain. Les résultats indiquent une diminution de l'accessibilité aux WASH, avec le nombre de personnes par installation passant de 25 en 2022 à 29,4 en 2025, aggravée par la …

Access to Water, Sanitation, and Hygiene (WASH) services is critically low in the Rohingya refugee camps of Cox's Bazar, which are among the most densely populated displacement settings globally. A recent study utilized sub-meter satellite imagery to develop a framework for assessing WASH accessibility, focusing on water pumps, latrines, and bathing cubicles. The findings indicate a decline in WASH accessibility, with the number of people per facility increasing from 25 in 2022 to 29.4 in 2025, exacerbated by rapid population growth and reduced facility availability.

RS-Net: Context-Aware Relation Scoring for Dynamic Scene Graph Generation

Was this article worth reading? Share it