- 博客(3)
- 收藏
- 关注
RSS订阅原创 Efficiently Modeling Long Sequences with Structured State Spaces（S4）
文章的提出是为了解决长距离依赖，但在之前的模型中有提出去解决这类问题。例如：RNN：如果输入序列过长，边看边记，会遗忘掉前面的CNN：像透过固定的窗口看序列，离得太远的信息会联系不起来Transformer：可以把握全局信息，序列太长时，后期的计算量爆炸，内存消耗暴涨文章使用状态空间模型（SSM）来建模序列。x(t)是系统内部的记忆状态u(t)是新的内容y(t)是输出序列A 旧记忆如何衰减、保留B 新信息怎么加入进来C 记忆怎么变成回答状态空间模型（SSM）
2026-04-15 20:16:36
409
原创 Medical Image Analysis|Medical SAM adapter: Adapting segment anything model for medical image segme
显著提升 SAM 在医学图像上的分割性能，在 17 个任务、5 种模态上达到 SOTA。参数高效，仅更新约 2% 参数（13M），远少于全量微调方法。统一支持 2D 和 3D 医学图像，通过 SD-Trans 建模深度信息。对 prompt 更稳健，在不同 prompt 设置下表现更稳定。兼容多种 SAM backbone，包括轻量模型，便于实际部署。推理开销增加较小，性能和效率平衡较好。不能真正实现医学零样本泛化，仍需医学数据适配训练在某些困难任务和不准确 prompt 下仍会失败欢迎大家指正。
2026-03-25 16:38:19
404
原创 ICCV Segment Anything 论文
文章解决了模型通用性的问题，不再是解决某类分割问题而是一个通用、可提示的分割模型，解决了分割标注成本高的问题，解决了提示歧义问题的一部分优势：零样本泛化能力强、通用性高、提示灵活、交互效率高、数据规模大，基础能力强，可作为上游模块组合进其他系统缺陷：仍然依赖提示，不是真正完全自主理解，对小目标和专业场景不一定最优，benchmark 指标有时不如专用模型，模型较大，部署成本高，“分割一切”结果还需要后处理和语义筛选欢迎大家指正。
2026-03-21 17:12:46
617
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人