Jul, 2023

RCS-YOLO: 快速高准确率的脑肿瘤检测物体探测器

PDF
TL;DR该研究提出了一种基于重参数化卷积和通道洗牌的新型 YOLO 架构（RCS-YOLO），并通过特征级联和计算效率提取更丰富的信息，减少时间消耗，实现了在大脑肿瘤检测任务上的最新性能，超过了 YOLOv6、YOLOv7 和 YOLOv8 的速度和准确性。
yolobrain tumor detectionrcs-yoloreparameterized convolutioncomputation efficiency
发现论文，激发创造
  • YOLO-MS：实时物体检测的多尺度表示学习再思考

    提供高效且表现良好的目标检测器 YOLO-MS, 基于对不同核大小的卷积如何影响不同尺度物体的检测性能进行一系列研究来实现。新的策略能够大大增强实时目标检测器的多尺度特征表示。在 MS COCO 数据集上训练的 YOLO-MS, 不依赖于其他大规模数据集或预训练权重，在相同参数和 FLOPs 数量下，优于最近的实时目标检测器，包括 YOLO-v7 和 RTMDet。

    Aug, 2023

  • BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

    该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

    Sep, 2023

  • MedYOLO：一种医学图像目标检测框架

    人工智能、医学影像、卷积神经网络、目标检测、MedYOLO

    Dec, 2023

  • YOLOv4：目标检测的最优速度和准确度

    论文使用多种通用特征，如批量归一化和残差连接以及新增特征，如 Mish 激活功能，实现卷积神经网络的最新成果，在实时速度下达到了 MS COCO 数据集的 43.5% AP（65.7% AP50）。

    Apr, 2020

  • 基于改进的 YOLOv7 和 CNN-Swin Transformer 的新型血细胞检测方法 CST-YOLO

    本文提出了一种基于 YOLOv7 框架的 CST-YOLO 模型来解决典型的计算机视觉中的小物体检测问题，CST 算法被用于增强模型，同时引入了 W-ELAN、MCS 和 CatConv 等模块以提高小尺度目标检测的准确性，实验结果表明，CST-YOLO 在三个血细胞数据集上均超过了现有的目标检测器，如 YOLOv5 和 YOLOv7，达到了 92.7、95.6 和 91.1 的 [email protected]。

    Jun, 2023

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • YOLOv5, YOLOv8 和 YOLOv10：实时视觉领域首选检测器

    本文综述了 YOLO（You Only Look Once）目标检测算法的演进，着重介绍了 YOLOv5、YOLOv8 和 YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的 YOLO 版本提供指导。

    Jul, 2024

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023

  • 现实主义行动：使用 YOLOv8 和 DeiT 对医学图像中的脑瘤进行异常感知诊断

    利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。

    Jan, 2024

  • Scaled-YOLOv4: 跨阶段部分网络的扩展

    使用基于 CSP 方法的 YOLOv4 目标检测神经网络可进行极小至极大规模网络的缩放以及保持最优速度和精度，提出了一种网络缩放方法，其中 YOLOv4-large 模型在 Tesla V100 上以～16 FPS 的速度实现了 55.5% AP（73.4％AP50）的 MS COCO 数据集的最新结果，实现了 1774 FPS 的速度。通过使用 TensorRT，批量大小 = 4 和 FP16 精度，YOLOv4-tiny 实现了 22.0％AP（42.0％AP50）。

    Nov, 2020