May, 2024

RepVGG-GELAN：通过 VGG-STYLE ConvNets 增强的 GELAN 用于脑肿瘤检测

PDF
TL;DR本研究提出了一种新的基于 YOLO 架构，采用 RepVGG 增强的 RepVGG-GELAN 算法用于医学图像中的脑肿瘤检测，实验结果表明，该算法在精确性和速度方面优于现有方法，为准确高效的医学图像脑肿瘤检测提供了一个最新的解决方案。
发现论文，激发创造
  • 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

  • RCS-YOLO: 快速高准确率的脑肿瘤检测物体探测器

    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。

    Jul, 2023

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023

  • UGGNet: U-Net 和 VGG 的高级乳腺癌诊断桥梁

    UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

    Jan, 2024

  • 基于细粒度梯度保持的脑肿瘤分类的深度融合模型

    该研究提出了一种精确的大脑肿瘤分类方法，通过融合预训练的 ResNet152V2 和修改的 VGG16 模型，在深度神经网络中保留细微的梯度以实现有效的肿瘤分类，并结合各种图像处理技术来改善图像质量，准确度分别达到 98.36% 和 98.04%，并且在资源受限的边缘设备上能够平滑部署。

    Jun, 2024

  • 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

  • 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

  • LeYOLO，用于目标检测的新型可扩展高效 CNN 架构

    基于 FLOP 的高效目标检测计算的神经网络架构设计选择和优化方法，LeYOLO 提供了在不同资源限制下性能优越的计算负载和准确率比例。

    Jun, 2024

  • 基于 YOLO 和 Faster R-CNN 的超声影像胆囊癌检测

    通过将 YOLO 和 Faster R-CNN 算法融合应用于超声图像中，本研究旨在选择更精确的包围盒以提高胆囊癌分类，实验证明该方法在分类性能上表现优越，准确率达到 92.62%，而仅使用 Faster R-CNN 和 YOLOv8 的准确率分别为 90.16% 和 82.79%。

    Apr, 2024

  • PE-YOLO：金字塔增强网络用于暗物体检测

    提出了一个名为 PE-YOLO 的暗物体检测框架，该框架结合了金字塔增强网络（PENet）和 YOLOv3，并且在训练过程中仅使用普通检测损失简化了训练过程，实验证明，PE-YOLO 能够适应不同的低光条件下的物体检测，实现了 78.0％的平均精度（mAP）和 53.6％的帧率（FPS）。

    Jul, 2023