提出了一种医疗图像领域自适应的单次学习里程碑检测框架（UOD），通过使用两个阶段的通用模型和领域特定模块，实现了多领域无标签数据的领域偏好适应，并在 X-ray 头，手和胸部三类不同解剖部位的公共数据集上获得了最先进的表现。

Jun, 2023

本文介绍了一种结合数据和模型的方法来完成面部关键点的检测，即先利用全卷积网络（Fully Convolutional Network, FCN）来生成脸部所有关键点的响应图，再利用 Point Distribution Model（PDM）生成初始面部形状，最后使用加权变体的正则化关键点均值漂移（RLMS）来微调面部形状，实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。

Nov, 2016

本文通过提出基于注意力机制、特征金字塔融合和逐像素回归投票等的深度学习框架，在头影测量图像的解剖标志点自动定位方面显著提高了检测精度，并展示了其在不同设备上的泛化能力和稳定性。

Aug, 2019

本文提出了一种名为 CC2D 的新型框架，用于医学图像中的一次性地标检测任务。该框架分为两个阶段：自监督学习（CC2D-SSL）和带伪标签训练（CC2D-TPL），具有较高的检测准确率。

Mar, 2021

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

本文提出了一种新的深度图形学习方法来进行精准的解剖面和医学（如手、骨盆）标志物检测，该方法结合了局部图像特征和全局形状特征，基于两个图卷积网络（GCNs）学习任务特定的结构。该方法在公共人脸图像数据集和 X 射线医学数据集上的实验结果表明，在鲁棒性和准确性方面的表现都优于先前的最新方法。学习到的图形拓扑的质量可视化证明了标志物背后物理上合理的连接。

Apr, 2020

本文研究一次性目标检测的任务，构建了一种同时完成定位和识别的一阶段系统，使用了学到的本地特征的密集相关匹配，前馈几何变换模型来对齐特征，并使用双线性重采样来计算检测分数，在若干挑战性领域的实验评估中，展示了我们的方法可以探测到看不见的类别，并且大幅度地优于其他基线模型。

Mar, 2020

本文利用加速技术，设计了一个紧凑的人脸特征点检测模型，在不同的自然环境下，如不受限制的姿态、表情、光照和遮挡，取得了很高的检测精度和超快的速度，通过旋转信息的估计进行几何规范化特征定位，同时还采用不同样本权重的一种新误差函数，用于平衡数据不均衡的问题，并在多个面部特征检测数据集上表现出卓越的性能。

Feb, 2019

针对侧面头颅 X 射线图片的颅测定点检测在特定牙科疾病诊断中起着关键作用，通过以多个分辨率作为输入整合多种感受野的图像金字塔结构来训练一系列具有不同感受野的模型，其对不同的定点具有不同的检测准确率影响。此外，我们还采用了多种数据增强技术来增强模型在不同设备和测量选择方面的鲁棒性。我们将这种方法应用于 2023 年侧面头颅 X 射线图像颅测定点检测挑战中，在最终测试阶段实现了 1.62 mm 的平均径向误差（MRE）和 74.18% 的成功检测率（SDR）。

Oct, 2023

本文提出了一种深度结构化面部标记检测方法，该方法使用深度卷积网络和条件随机场相结合，能够在面部标记检测上取得比现有技术更卓越的性能，特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。

Oct, 2020