针对侧面头颅 X 射线图片的颅测定点检测在特定牙科疾病诊断中起着关键作用，通过以多个分辨率作为输入整合多种感受野的图像金字塔结构来训练一系列具有不同感受野的模型，其对不同的定点具有不同的检测准确率影响。此外，我们还采用了多种数据增强技术来增强模型在不同设备和测量选择方面的鲁棒性。我们将这种方法应用于 2023 年侧面头颅 X 射线图像颅测定点检测挑战中，在最终测试阶段实现了 1.62 mm 的平均径向误差（MRE）和 74.18% 的成功检测率（SDR）。

Oct, 2023

通过研究人体姿势估计（HPE）和头颅测量检测（CLD）之间的相似性，本文提出一种可靠的用于头颅测量检测性能改进的基准方法，并通过引入超分辨率模块和量化偏差的减少以进一步提升性能，在 MICCAI CLDetection2023 挑战中取得了显著的成绩。

Sep, 2023

本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

Apr, 2020

使用基于深度学习的方法，该研究发展和评估了一种自动化头影测量标注方法。该方法在三维面部立体摄影中实现了自动的标注，能够精确和一致地标记关键点，可用于大数据集的定量分析，诊断，随访和虚拟手术规划。

Sep, 2023

本文提出了一种深度结构化面部标记检测方法，该方法使用深度卷积网络和条件随机场相结合，能够在面部标记检测上取得比现有技术更卓越的性能，特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。

Oct, 2020

我们提出了 CeLDA 方法，通过将图像特征与标志物原型进行比较，利用原型网络进行标志物检测，解决了不同年龄组之间标志物出现差异的问题，并引入了新的策略改进原型对齐以获得全面的标志物估计。此外，我们还介绍了一种新的原型关系挖掘范式，用于利用标志物原型之间的解剖关系。大量实验证实了 CeLDA 在成年人和青少年标志物检测方面的优越性，这是首个针对不同年龄组的头影测量标志物检测的统一解决方案和数据集。

Jun, 2024

本研究提出了一种新方法，通过将头部姿势信息与面部定位网络的特征图相融合，改进了面部定位的性能。此外，所提出的网络结构通过使用 2D 特征图和 3D 热图表示的多维特征，在双维度网络中实现了鲁棒的面部定位。为了有效地进行密集面部定位，我们还提出了基于知识蒸馏的训练方法，用于通过预测关键点来预测面部几何标记。通过实验评估了预测的面部标记与头部姿势信息之间的相关性，以及面部标记的准确性与头部姿势信息的质量之间的变化。此外，我们还在 AFLW2000-3D、AFLW 和 BIWI 数据集上与最先进的方法进行了竞争性性能比较，证明了所提方法的有效性。

Aug, 2023

这篇论文提出了一种基于级联回归的面部特征点检测方法，能够在面部被遮挡和大幅度侧脸的情况下进行特征点检测，并结合了监督回归方法和遮挡情况加入约束，提高了检测的准确性。

Sep, 2017

通过使用深度学习方法和图像增强技术，本文提出了一种有效的面部特征检测方法，采用 Siamese 架构和 Transformer + CNN 网络作为骨干结构，通过高级特征表示的集合学习来改善面部特征检测的性能。经过大量实验证明，该方法在各种基准数据集上优于多种最新方法。

Feb, 2024

本文提出一种基于深度学习的新型概率模型，解决人脸关键点检测中存在的语义模糊问题，并提出了全局热力图校正单元进行精确定位，并通过图像和视频数据库的实验证明本文方法能够显著提高人脸关键点检测的精确性。

Mar, 2019