- 博客(6)
- 收藏
- 关注
RSS订阅翻译 YOLO-TumorNet:一种用于提升脑肿瘤检测性能的创新模型
本文提出 YOLO-TumorNet 模型，其网络架构如图 1 所示。该模型主要分为三个部分：骨干网络（Backbone）、颈部网络（Neck）与检测头（Head）。其中，骨干网络负责特征提取，颈部网络实现多尺度特征融合，检测头则完成最终的检测任务。在该模型中，我们将 YOLOv10 的高效性与针对脑肿瘤成像的精细化设计相结合，通过集成 InceptionNeXt 模块、BIFPN 模块与 MSPA 模块，同时提升检测精度与速度。骨干网络作为整个模型的特征提取层，负责从输入的脑肿瘤图像中提取深层语义信息。
2025-09-24 00:07:18
72
翻译 实时脑肿瘤诊断：一种新型轻量级深度学习模型的应用
脑肿瘤仍是全球范围内的主要致死原因之一，这凸显了对有效且精准诊断工具的迫切需求。本文提出了 MK-YOLOv8—— 一种创新性轻量级深度学习框架，该框架专为从磁共振成像（MRI）图像中实时检测和分类脑肿瘤而开发。该模型以 YOLOv8 架构为基础，集成了 Ghost 卷积、C3Ghost 模块和 SPPELAN 模块，旨在提升特征提取能力并大幅降低计算复杂度。模型中新增了一个超小目标检测层，可支持对小型和超小型肿瘤的精准检测，这对肿瘤的早期诊断至关重要。
2025-09-18 00:00:40
159
翻译 【无标题】深度学习方法用于脑肿瘤检测与分类：基于MRI图像（2020-2024）的系统综述
摘要脑肿瘤是由大脑内细胞不受控制的增殖导致的疾病，会导致诸如记忆力减退和运动功能障碍等严重的健康问题。因此，早期诊断脑肿瘤对于延长患者生存期至关重要。鉴于放射科医生工作繁忙且旨在减少误诊的可能性，包括计算机辅助诊断和人工智能在内的先进技术在辅助放射科医生方面发挥了重要作用。近年来，许多基于深度学习的方法被应用于使用MRI图像进行脑肿瘤检测和分类，并取得了令人鼓舞的结果。本文的主要目的是对这一领域的先前研究进行详细回顾。此外，本文总结了现有局限性和重要亮点。
2025-09-16 17:27:28
290
原创 智能监控一些总结
在推理的过程中，送入到生成器的数据有正常数据和异常数据，在理想情况下，生成器可以根据正常数据生正常事件的模式，但是无法根据异常事件的数据生成可以正常事件的模式，所以判别器可以准确地根据模式识别出异常事件。两种评价指标，一种是图像级别的，一种是像素级别的，目前广泛使用的指标是图像级别的评价指标。但对于像素级的评价指标，首先要求数据集中对于异常事件发生的区域有标注，其次，只有当算法预测某一帧中发生异常事件的区域与真实标注的异常事件发生的区域有４０％以上重合的时候，才能认为该帧是属于某一异常事件中的一部分。
2025-08-28 17:59:58
838
原创 FasterNet论文翻译
Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks摘要：为了设计快速神经网络，许多工作一直专注于减少浮点运算 (FLOP) 的数量。 然而，我们观察到这种 FLOP 的减少并不一定会导致类似水平的延迟减少。这主要源于效率低下的每秒浮点运算 (FLOPS)。为了实现更快的网络，我们重新审视了流行的运算符，并证明如此低的 FLOPS 主要是由于运算符的频繁内存访问，尤其是深度卷积。因此，我们提出了一种新颖的部分卷积 (PCo
2023-03-27 16:58:49
1172
1
【计算机视觉】基于SSD改进的多尺度特征融合目标检测模型综述：DSSD、RSSD与FSSD的结构优化及小目标检测性能提升研究
2025-08-28
基于改进YOLOv5检测脑瘤
2024-09-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人