加权圆形融合：来自不同目标检测结果的圆形表示集成

Jun, 2024

加权圆形融合：来自不同目标检测结果的圆形表示集成

Weighted Circle Fusion: Ensembling Circle Representation from Different Object Detection Results

Jialin Yue, Tianyuan Yao, Ruining Deng, Quan Liu, Juming Xiong...

TL;DR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。

Abstract

Recently, the use of circle representation has emerged as a method to improve the identification of spherical objects (such as glomeruli, cells, and nuclei) in medical imaging studies. In traditional bounding box

circle representation spherical objects object detection weighted circle fusion medical images

发现论文，激发创造

加权框融合：来自不同目标检测模型的框融合

该论文提出一种新的物体检测模型的预测结果融合方法，即加权框融合，并在多个数据集上进行了测试与验证，包括 Open Images 和 COCO Object Detection track，取得了最佳结果。

Oct, 2019

CircleFormer：基于圆查询和注意力的全切片图像圆形核检测

本文介绍了一种基于 Transformer 和动态锚圈的圆形医学目标检测方法 CircleFormer，并通过 MoNuSeg 数据集上的实验证明其在圆形核分割任务上的优越性能。

Aug, 2023

自动化双折叠加权集成算法及其在脑肿瘤检测和分类中的应用

提出了两种创新的双层加权投票集成模型，旨在提高加权集成方法的效果，通过选择概率最高的分类结果（第一种方法）和最高加权预测（第二种方法）来确定最优结果。这些方法显著提高了加权集成技术的整体性能，并通过与软投票技术的对比分析证明了其优越性和有效性。

Mar, 2024

目标检测与少数类共识关注

使用修改的共识焦点和基于源置信度的投票系统，该研究提出了一种半监督和长尾目标检测方法，通过在目标标签空间中选择各个类别的相关性，放宽了少数类别边界框的抑制，从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框。

Jan, 2024

医学实例物体分割的圆形表示

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

基于弱监督学习的多证据过滤与融合方法用于多标签分类、目标检测和语义分割

该论文提出了一种弱监督课程学习流程，用于多标签对象识别、检测和语义分割的任务，其中包括四个阶段，包括训练图像的对象定位、筛选和融合对象实例、像素标注以及基于任务的网络训练，通过这种流程，实现了在 MS-COCO、PASCAL VOC 2007 和 PASCAL VOC 2012 数据集上进行多标签图像分类以及弱监督对象检测和语义分割的最新成果。

Feb, 2018

弱监督物体定位中的本地化反思

通过引入二分类检测器和加权熵损失函数，提出了一种改进的弱监督目标定位方法，解决了现有方法中单类回归和噪声边界框带来的限制和问题。在 CUB-200-2011 和 ImageNet-1K 数据集上的实验结果表明了我们方法的有效性。

Aug, 2023

探索卷积融合网络在视觉识别中的应用

通过卷积融合网络 (CFN) 和适应性权重的学习，实现多尺度深度表示的高效融合，并在场景识别、细粒度识别和图像检索等任务中获得显著改进。

Nov, 2016

基于跨域合作学习的宽视野眼底图像多种眼底疾病识别

该研究提出了一种基于 Cross-domain Collaborative Learning 的多种视网膜疾病从广视野和超广视野眼底图像中识别的方法，并在多个数据集上与其它基线模型进行比较。

May, 2023

SWCF-Net：相似度加权卷积与局部 - 全局融合的高效大规模点云语义分割

通过提出了一种名为 SWCF-Net 的相似度加权卷积和局部 - 全局融合网络，结合了局部和全局特征，以提高大规模点云的分割效率和语义上下文理解能力。通过将相似度权重融入卷积操作中，以增强泛化能力，从而有效地提取局部特征。同时，在注意力模块中对关键通道进行下采样操作，实现了线性复杂度，使得 Transformer 能够高效处理大规模点云。最后，从全局特征中提取正交分量，并与局部特征进行聚合，消除局部和全局特征之间的冗余信息，从而提高了效率。实验结果在大规模室外数据集 SemanticKITTI 和 Toronto3D 上验证了 SWCF-Net 的有效性，并且与较低计算成本相比，获得了有竞争力的结果，能够高效处理大规模点云。

Jun, 2024