2201_76036122的博客

Vision Mamba（Vim）作为一种新型的视觉模型，通过引入双向状态空间模型（SSM），克服了Transformer在处理高分辨率图像时的计算和内存限制。实验结果表明，Vim在多个视觉任务中均取得了优异的性能，证明了其作为下一代视觉骨干网络的潜力。

ViG作为一种创新的视觉图神经网络架构，通过将图像表示为图结构并结合图卷积和前馈网络模块，有效解决了传统CNN和Transformer在处理不规则对象时的局限性。实验结果表明，ViG在多个视觉任务中均取得了优异的性能，为未来视觉模型的研究提供了新的思路。

Graph-Mamba是一种创新的图神经网络框架，通过结合选择性状态空间模型（SSM）和输入依赖的节点选择机制，解决了图数据中长距离依赖建模的效率和性能问题。实验结果表明，Graph-Mamba在多个数据集上均取得了优异的性能，同时显著降低了计算复杂度和内存消耗，为大规模图数据的高效建模提供了新的思路。

GraphMamba是一种创新的高光谱图像分类框架，通过结合图结构学习和高效的空间-光谱特征提取，解决了传统方法在信息冗余和计算效率上的不足。实验结果表明，该方法在多个数据集上均取得了显著的性能提升，具有较高的鲁棒性和泛化能力，为高光谱图像分类领域提供了新的研究思路。

对MSD和KiTS数据集进行了五次交叉验证，其中80%（训练）/10%（验证）/10%）（测试）分割，而AMOS数据集则进行了单次交叉验证。通过与当前体积变换器和CNN SOTA方法进行比较，评估了3D DeformUX Net在完全监督环境下的体积分割性能。并利用Dice相似性系数作为评估指标来比较预测和基本事实标签之间的重叠区域。此外，进行了消融研究，以研究调整可变形卷积的最佳方案以及用不同的线性层代替特征提取的可变性。

变量k表示类别的索引，而和分别表示第i个像素属于第k类的真实标签和预测概率。在论文中提到，涂鸦（scribble）注释Yscrib的取值范围是，这表明在这项研究中，图像分割任务涉及四个主要的类别和一个未标记的类别（None）。因此，k的取值范围是0到3，总共有4个类别。这就是为什么在公式中k的值是4的原因。每个类别对应一个索引，从0到3，用于遍历所有可能的类别，并计算每个类别的预测概率与真实标签之间的差异。