Aug, 2023

基于 Transformer 的地标检测：面向机器人辅助鼻气道插管

PDF
TL;DR本文提出了一种基于变形 DeTR 和语义对齐匹配模块的基于 Transformer 的标志检测解决方案，用于检测机器辅助气道插管中的标志。实验结果表明我们的解决方案在检测准确性方面具有竞争力。
robot-assisted intubationlandmark detectiondetrtransformer-based solutiondetection accuracy
发现论文，激发创造
  • 医学物体检测中的检测变形器的应用

    本研究探讨了使用 DEtection TRansformer（DETR）检测医学成像中可疑区域的可行性，研究表明这种方法能够与甚至优于当前方法进行匹配，且无需依赖锚点或手动启发式设计等方式来检测对象。

    Jun, 2023

  • 在混乱的现实场景中使用视觉变换增强地标检测

    本研究提出了一种能够有效利用视觉 Transformer 的方法，通过精选和隔离图像中与遮挡物相对应的特定区域，以改进视觉地点识别中的地标检测问题，在拥挤的实际情境中显示了视觉 Transformer 的潜力，并证明了该方法的卓越准确性。

    Aug, 2023

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022

  • 基于 Transformer 的二维物体检测综述

    本篇论文详细回顾了二十一篇相关的论文，讨论了最近在 DETR 中基于 Transformer 方法的研究进展，并涵盖了最新的改进，包括骨干网络改造，查询设计和注意力优化。同时，我们还比较了所有检测变压器的性能和网络设计。

    Jun, 2023

  • 使用人工智能在便携式仰卧胸部 X 光片上开发自动气管内管和气管分岔处检测

    本文研究了应用 Mask R-CNN 作为特征提取方法来解决可移动卧位胸部 X 射线片在检测气管插管和检测位置时所面临的问题，通过该方法可以提取出气管插管以及在图像中的叉状气管。实验结果证明了该方法的高鲁棒性，对于 ETT-carina 距离的检测精度达到了 5mm 左右。

    Jun, 2022

  • 使用 Transformer 进行端到端的目标检测

    该研究提出了一种新方法，将目标检测作为直接集合预测问题进行处理，主要采用基于集合的全局损失和 Transformer 编码器 - 解码器架构构建 DETR 模型，能够高效地完成目标检测和全景分割任务，相较于许多现代检测器，DETR 模型概念简单且不需要专门的库。

    May, 2020

  • 使用视觉 Transformer 进行结肠镜标志检测

    本文提出一种基于视觉转换网络的结肠镜标志检测算法，利用自适应伽马矫正保持一致的图像亮度，并比较视觉转换网络与 ResNet-101 和 ConvNext-B 等原型在标记检测方面的表现，结果显示该算法提高效率并取得了较高的准确率。

    Sep, 2022

  • 机器人辅助下口腔气管插管的仿真到真实分割

    本文提出了一种基于虚拟环境生成口咽器官数据，采用 IoU-Ranking Blend (IRB) 和风格转移技术的区域自适应 Sim-to-Real 方法进行影像分割的方法，实验结果表明，该方法在域自适应模型上具有卓越的性能，可以提高分割精度和训练稳定性，具有广阔的机器人辅助插管手术和智能手术导航应用潜力。

    May, 2023

  • 一种用于 3D 物体检测的端到端 Transformer 模型

    3DETR 是一种基于 Transformer 的端到端目标检测模型，适用于 3D 点云，相较于现有的检测方法，它需要最少的修改，可以通过将 3D 领域知识整合进去得到进一步的改进，在 ScanNetV2 数据集上，相比于 VoteNet 基线具有 9.5% 更好的性能，并且适用于其他 3D 任务。

    Sep, 2021

  • 用 Transformer 进行的多目标追踪的对比学习

    通过引入实例级对比损失、修订的采样策略和轻量级分配方法，我们展示了如何将 DETR 转化为 MOT 模型，学习目标的外观并保留检测能力，其性能在具有挑战性的 BDD100K 数据集上超过了先前的最新技术水平 2.6 mMOTA，并在 MOT17 数据集上与现有的基于 transformer 的方法相媲美。

    Nov, 2023