一次探测医学标志物
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
本文提出一种基于 few-shot DAG 的半监督扩展方法，使用带 SSL 机制的教师 - 学生训练模型，在局部匹配中使用 JS 散度法来规范中间特征图的一致性，该方法在盆骨、手和胸部的地标检测任务中评估，结果较之前方法有显著提升。
Apr, 2021
本篇论文介绍了一种在人体点云上进行三维关键点检测的挑战，并提出了一种名为 Dual Cascade Point Transformer (D-CPT) 的模型，该模型通过级联的 Transformer 解码器逐步优化关键点，在本地区域使用 RefineNet 增强关键点坐标，通过在 HPoint103 和公共数据集 DHP19 上进行对比评估，验证了我们的 D-CPT 模型在关键点检测方面的显著性能优势，并表明将我们的 RefineNet 集成到现有方法中可以持续提高性能。
Jan, 2024
提出了一种医疗图像领域自适应的单次学习里程碑检测框架（UOD），通过使用两个阶段的通用模型和领域特定模块，实现了多领域无标签数据的领域偏好适应，并在 X-ray 头，手和胸部三类不同解剖部位的公共数据集上获得了最先进的表现。
Jun, 2023
基于场景地标检测的摄像头定位方法，采用卷积神经网络（CNN）检测少量特定的场景 3D 点或地标，并从相关的 2D-3D 对应中计算摄像头姿态，具有与基于 3D 结构的方法相当的准确性，但速度更快且使用存储空间更少。
Jan, 2024
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
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
使用 2D 图像辅助自监督学习的方法可大幅提高 3D 人脸模型的学习效果，该方法引入 4 种自监督方案，显著降低了对传统 2D 到 3D 配对注释的需求，从而在多种数据集上均取得大幅优于现有技术的 3D 重建和面部对齐结果。
Mar, 2019
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