本文提出了一种基于中心点的变换网络 ——CenterFormer，它使用查询嵌入来聚合中心候选点的特征向量，并设计了一种通过交叉注意力来融合多帧特征的方法。在 Waymo Open 数据集上，CenterFormer 在单个模型上实现了先进水平，取得了 73.7% 的验证集和 75.6% 的测试集 mAPH, 显著优于以前所有已发表的基于 CNN 和 transformer 的方法。

Sep, 2022

我们提出了一种称为加权圆融合（Weighted Circle Fusion，WCF）的简单方法，用于合并来自不同圆检测模型的预测。该方法利用每个建议的边界圆关联的置信分数生成平均圆，在医学图像中改进了目标检测的精度，并显著减少了误检，为病理图像分析领域的未来研究和应用提供了有希望的方向。

Jun, 2024

CircleSnake 是一种简单的端到端分割方法，通过圆形轮廓变形来分割球状医学物体，具有较高的鲁棒性和旋转不变性。

Mar, 2024

提出了一种在 3D 物体检测中通过 IoU 预测来解决 NMS 中准确性问题的方法，使用了 3D IoU-Net 进行特征学习和准确性预测，并通过 Corner Geometry Encoding 和 Attentive Corner Aggregation 模块提取几何信息并实现对预测角度的不变性，实验结果表明，该方法在 KITTI car detection benchmark 上达到了最先进水平。

Apr, 2020

CurveFormer++ 是一种基于 Transformer 的单阶段方法，不需要图像特征视图转换模块，直接从透视图像特征中推断出三维车道检测结果。

Feb, 2024

本文提出了一种称为 Dilated Transformer 的方法，该方法在全球和局部范围内交替捕捉成对的补丁关系进行自我关注。我们基于 Dilated Transformer 的设计构建了一种名为 D-Former 的 U 型编码器 - 解码器分层结构，用于 3D 医学图像分割。实验表明，我们的 D-Former 模型在低计算成本下，从头开始训练，优于各种有竞争力的基于 CNN 或 Transformer 的分割模型。

Jan, 2022

通过使用多阶段 CNN 特征注入的 Transformer 网络，我们提出了一种名为 CINFormer 的 UNet 结构，以实现表面缺陷分割。CINFormer 在编码器中采用了简单而有效的特征整合机制，将输入图像的多层级 CNN 特征注入到 Transformer 网络的不同阶段，以保持 CNN 捕捉详细特征的优点和 Transformer 压制背景噪音的优点，从而实现准确的缺陷检测。此外，CINFormer 通过引入 Top-K 自注意力模块，可以聚焦于与缺陷相关的更重要信息的标记，以进一步减少冗余背景的影响。通过在 DAGM 2007、磁砖和 NEU 等表面缺陷数据集上进行的大量实验证明，CINFormer 在缺陷检测方面达到了最先进的性能。

Sep, 2023

本文提出了一种新的 Affine-Consistent Transformer（AC-Former）方法，通过全局和局部子网络的协同训练，直接产生一个核位置序列；同时引入了 Adaptive Affine Transformer（AAT）模块，用于自动学习关键的空间变换方法，以提高模型的性能。实验证明，该方法在多个评估数据集上显著优于现有的先进算法。

Oct, 2023

本文提出了 CIoU loss 和 Cluster-NMS 以增强两个重要任务中的几何因素，进而提高了对象检测和实例分割的平均精度和平均召回，实验表明该方法在各种模型中均有效。

May, 2020

本研究提出了一种基于串联交叉 - 注意力网络（CCAN）的新型变压器体系结构，可有效处理大规模的组织病理学图像，取得了与当前最先进的注意力方法相媲美乃至更好的结果，并且是一种在低数据环境下效率高的分析方法。

May, 2023