Dec, 2023

面向自动电池检测的新挑战、基准数据集和基线

PDF
TL;DR我们对一项名为电池检测（PBD）的新任务进行了全面研究，旨在从 X 射线图像中定位密集的阴极和阳极板端点，以评估电池的质量。通过精心收集 X 射线 PBD 数据集，我们提出了一种基于分割的新解决方案 MDCNet，它能够在语义和细节方面改善点分割分支的表示。与其他基于角点检测、人群计数和一般 / 小物体检测的解决方案相比，我们的分割式 MDCNet 持续表现出色，成为未来 PBD 研究的强有力基准。
power battery detectionx-ray imagesmdcnetsegmentation-based solutionfuture researches
发现论文，激发创造
  • 基于渐进双先验网络的广义乳腺肿瘤分割

    通过使用渐进双先验网络（PDPNet）分割动态增强磁共振图像 (DCE-MRI) 中具有不同来源的乳腺肿瘤，旨在提高乳腺肿瘤分割模型的泛化能力，改善对小型、低对比度和不规则形状乳腺肿瘤的分割性能。

    Oct, 2023

  • 朝向真实世界的禁止物品检测：一项大规模 X 光线基准

    使用计算机视觉技术进行自动安全检查是真实世界场景中的一项具有挑战性的任务，作者通过合成出一个大规模数据集 PIDray，采用选择性密集注意力网络 (SDANet) 进行目标检测，包括故意隐藏的物品，相比现有模型取得了更好的检测效果。

    Aug, 2021

  • 多级感知边界引导网络用于超声图像中乳腺病变分割

    提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

    Oct, 2023

  • 基于全景领域自适应和任务加权的显微镜图像无监督实例分割

    本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的域适应，实验结果表明，该方法在三个数据集上优于最先进的无监督域自适应方法，同时表现出类似于完全监督方法的性能。

    May, 2020

  • 基于解剖学的胸部 X 射线病理检测

    病理检测和描述能够自动解释医学扫描，如胸部 X 线片，同时提供高水平的可解释性，以支持放射科医生做出明智决策。

    Sep, 2023

  • 基于 U-Net 架构的粉末 X 射线衍射图像分割

    通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

    Oct, 2023

  • 基于批次一致性的网络用于局部感知的人员再识别

    该研究提出了一种名为 Batch Coherence-Driven Network（BCD-Net）的简单框架，它通过引入批次相关的约束条件来学习语义对齐的身体部位特征，从而绕过了身体部位检测的过程，并在四个大规模的 ReID 基准测试上取得了最新的最佳性能。

    Sep, 2020

  • 一份超过一千份电池细胞的计算机断层扫描数据集

    电池技术、计算机断层扫描、制造差异、电池缺陷、数据集

    Mar, 2024

  • 通过单点监督的点对盒子网络，实现精准物体检测

    本文提出了 Point-to-Box Network (P2BNet) 方法，通过生成锚点式的建议来构建平衡的物体提议包，进而解决了单点监督目标检测方法存在的低性能问题。使用级联技术进一步提高了模型在 MS COCO 数据集上的表现。

    Jul, 2022

  • LiDAR 3D 物体检测中的点密度感知体素

    提出了一种基于点密度感知的体素网络（PDV）方法，通过使用核密度估计和具有点密度位置编码的自注意力，通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明，PDV 在 Waymo 开放数据集上优于所有最先进的方法，在 KITTI 数据集上取得了竞争性的结果。

    Mar, 2022