提出了一种高效的自动头部 CT 图像三维重建方法，使用基于深度学习的目标检测算法自动重新格式化图像，并通过定性评估标准化重建结果展示了该方法的临床实用性和有效性。

Jul, 2023

本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用 RANSAC 算法进行相对平移估计，并使用第二个 RANSAC 方案将相对姿态融合；此外，作者提出了一个涵盖 5 种不同场景的挑战性室内定位数据集，并在标准的 7 Scenes 测试基准上对方法进行了评估，结果表明该方法适用于之前未见过的场景，并与其他基于 CNN 的最新方法相比效果优异。

Jul, 2017

通过定位部分层面并使用线性模型将层面索引映射到其估计的轴向解剖位置，我们能够自动确定 CT 扫描中每个层面的位置并在视觉检查和自动分析中实现快速区域检索，同时具有高计算效率、准确性和鲁棒性。

Dec, 2023

本文提出了将深度图像分类方法与原始的 Im2GPS 方法相结合，同时应用核密度估计来估计查询图片的地理位置，结果表明使用分类损失的网络训练比其他典型用于检索应用的深度特征学习方法（如对比学习和三元组损失的同构网络）表现更好，提高了地理定位的准确性并且需要更少的训练数据。

May, 2017

该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

Jan, 2024

本文提出一种新的自监督学习技术来解决医学影像数据标注不足、数据不平衡等问题，在临床脑 CT 扫描的实验中，该方法取得了很好的效果。

Nov, 2020

本文提出了一种基于深度学习的脑肿瘤复发位置预测网络，使用多模态脑肿瘤分割网络进行预训练，并开发了多尺度多通道特征融合模型和非线性相关学习模块来学习有效特征，同时使用 KL 散度进行特征之间的相似度评估，以此为基础设计了相关损失函数，通过联合分割当下和预测未来肿瘤位置来更精确有效地制定治疗方案，实验证明该方法对于预测有限数据集中的脑肿瘤复发位置具有良好的效果。

Apr, 2023

我们提出了一种新的任务特定损失函数来校准神经网络，以减少过于自信的错误，并结合多分类置信度和准确性（MDCA）损失函数，通过进行温度缩放的后校准，实现期望校准错误（ECE）的提升 5.98% 和最大校准错误（MCE）的提升 17.9%，相较于最佳性能 SOTA 算法。

Jan, 2024

本文提出了一种基于物体对位置深度挖掘的视觉关系检测框架，通过使用 Gated Graph Neural Network 获取谓词间的相关性。在数据集 VRD 和 VG 上的实验结果表明，相对位置信息的挖掘和利用可以显著提高模型的性能。

Nov, 2019

本文提出了一种基于卷积神经网络的方法来估计两个相机之间的相对姿态，该方法采用来自两个相机的 RGB 图像作为输入，并直接输出相对旋转和平移。与 SURF、ORB 这些广泛使用的局部特征方法相比较，该方法采用端到端的方式训练，利用大规模分类数据集进行迁移学习，结果表明相对基准线有明显的改进。此外，本文还介绍了一种包含空间金字塔池化 (SPP) 层的网络结构变体，并证明进一步提高了性能。

Feb, 2017