Deformable DETR
PulseAugur coverage of Deformable DETR — every cluster mentioning Deformable DETR across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
病理学基础模型在有丝分裂计数检测方面展现潜力
研究人员探索了病理学基础模型（FMs）作为有丝分裂计数检测编码器的有效性，将其应用从通常的分类任务扩展开来。该研究将几种基础模型，包括H-optimus-0和Virchow模型，与ResNet50基线进行了比较，并将它们集成到不同的检测架构中，如RetinaNet、Faster R-CNN和Deformable DETR。结果表明，H-optimus-0和Virchow模型表现出具有竞争力的性能，这表明通过图像级自监督训练的基础模型潜…
-
CellDETR框架推动组织病理学图像中的细胞表征学习
研究人员开发了CellDETR，一个用于从组织病理学图像中进行可扩展细胞表征学习的新型框架。CellDETR基于Deformable DETR，利用位置特征解耦和盒约束注意力来提取细胞级嵌入。该方法在有监督细胞分类任务中表现出优越的性能，并且与对比学习相结合时，可以改进在未标记数据上的下游分类。此外，当使用从Xenium空间转录组学派生的细胞注释进行预训练时，CellDETR显示出强大的可迁移性和生物学相关性。
-
新框架使用Deformable-DETR进行自动化质量评估
研究人员开发了一个新的多视图框架，利用Deformable-DETR来自动化再制造大型白色家电的视觉质量评估。该方法聚合来自多个冗余视图的信息，以识别细粒度特征并评估质量分数。该系统采用自监督预训练和监督微调，以在有限的专家注释下提高鲁棒性，旨在简化检查流程并减少手动瓶颈。
-
MDS-DETR 通过掩码重复抑制提高目标检测性能
研究人员开发了 MDS-DETR，这是一种新颖的目标检测模型，它改进了 DEtection TRansformer (DETR) 架构。MDS-DETR 通过在单个解码器中集成一对一和一对多标签分配，解决了 DETR 收敛慢和召回率低的问题。这是通过掩码重复抑制器 (MDS) 实现的，该抑制器过滤冗余预测，从而实现更高效、更准确的目标检测。
-
ViCrop-Det 通过自适应空间路由改进小目标检测
研究人员推出 ViCrop-Det，一个旨在无需额外训练即可提高图像中小目标检测能力的新颖框架。该方法利用模型交叉注意力分布得出的空间注意力熵 (SAE) 来识别具有高目标显著性和不确定性的区域。通过自适应地将计算资源集中在这些模糊区域，ViCrop-Det 增强了细粒度特征恢复并解决了空间模糊性。