本文提出了一种基于深度神经网络（DNN）的 VAE 结构的新型非局部注意力优化和改进的上下文建模图像压缩（NLAIC）算法，采用了非局部网络操作嵌入到编码器和解码器中，通过采用关注机制生成掩码来让特征自适应量化，实现了改进条件熵建模潜在特征，可在实际应用中增加速度、降低内存消耗和减轻实现复杂度的额外增强措施，并在 Kodak 和 CLIC 数据集上取得了与现有方法相比的最新压缩功率效率。

Oct, 2019

本文提出了一种上下文编码网络（CE-Net），用于 2D 医学图像分割，其中包含特征编码器模块、上下文提取器和特征解码器模块，使用预训练的 ResNet 块作为特征提取器，并应用于不同的 2D 医学图像分割任务中，结果表明，所提出的方法在不同医学图像分割任务中性能优于原始 U-Net 方法和其他最新方法。

Mar, 2019

本文提出非局部 U-Net，它配备了灵活的全局聚合块，在医学影像分割中取得了良好的结果。

Dec, 2018

针对医学图像分割的局限性，我们提出了一种新的架构，Perspective+ Unet。该架构具有三个主要创新点：在编码器阶段引入了双通道策略，通过结合传统和扩张卷积的结果，既保持了局部感知域又显著扩展了它，从而更好地理解图像的全局结构；采用高效的非局部变换块 ENLTB 来有效地捕捉长程依赖关系，具有线性计算和空间复杂性；采用空间交叉尺度集成策略，在模型阶段跨级别细化特征，以协调全局和局部信息。我们在 ACDC 和 Synapse 数据集上进行了实验，结果验证了我们提出的 Perspective+ Unet 的有效性。

Jun, 2024

3D context enhanced region-based CNN (3DCE) is proposed for lesion detection from computed tomography (CT) scans, which efficiently incorporates 3D context information by aggregating feature maps of 2D images and is proven effective through experiments on the DeepLesion dataset.

Jun, 2018

本文提出了一种 Context Encoding Module 方法，在原有 FCN 框架的基础上加入了全局场景语义信息来优化语义分割结果，在 PASCAL-Context、PASCAL VOC 2012 和 ADE20K 数据集上取得了最新最优的成果，并且通过在 CIFAR-10 数据集上进行对比实验表明该方法可以用来改善相对浅层网络的特征表示效果。

Mar, 2018

采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割，能够更好地捕捉图像中的上下文依赖关系，去除冗余的信息提取并集成本地特征和全局依赖，强调相关特征关联，从而取得更好的分割效果。

Jun, 2019

本文提出了一种基于自动编码器的新型非局部注意力优化深度图像压缩（NLAIC）框架，该框架将非局部操作嵌入编码器和解码器中，以捕捉局部和全局关联，并应用注意机制生成用于加权图像和超先验特征的掩码，从而根据其重要性隐含地适应不同特征的比特分配。此外，超先验和潜在特征的空间 - 通道邻居被用来改进熵编码。该模型在 Kodak 数据集上的性能优于现有的图像压缩方法，包括基于学习的（例如 Balle2019，Balle2018）和传统的（例如 BPG，JPEG2000，JPEG）图像压缩方法，无论是 PSNR 还是 MS-SSIM 畸变度量。

Apr, 2019

提出了一种基于 Hierarchical Context Embedding（HCE）框架的对象检测方法，该方法通过挖掘上下文线索来增强区域感知检测器的分类能力。HCE 包含一个图像级别分类嵌入模块和一个区域感知分类嵌入模块，两个模块分别从整体和局部两个方面提取特征，并通过两种策略实现早期特征合并和分类器信任度合并，以提高区域感知检测器的检测性能。

Aug, 2020

本文提出了基于全局相似性的非局部关注块来进行上下文建模，在熵编码中应用该方法，进而在联合速率失真优化中引导分析转换与合成转换网络的训练，并最终使用 U-Net 块增加转换的宽度，从而在 Kodak 和 Tecnick 数据集上实现了超越现有标准与最新深度图像压缩模型的低失真压缩。

May, 2020