Feature Pyramid Networks for Object Detection
PulseAugur coverage of Feature Pyramid Networks for Object Detection — every cluster mentioning Feature Pyramid Networks for Object Detection across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新基准CARDIAG标准化冠状动脉造影分析的深度学习
研究人员推出了CARDIAG，这是一个旨在标准化冠状动脉造影分析深度学习模型评估的新基准。该基准包含一个多中心数据集，具有各种注释和指标，用于评估像素级分类准确性。研究评估了24种不同的架构，发现具有DeepLab V3 Plus解码器的ConvNeXt V2编码器表现最佳，宏F1得分为0.456，通过与Mamba U-Net和Feature Pyramid Network集成，该得分进一步提高到0.479。
-
量子混合模型在野火分割方面展现潜力
研究人员开发了QFireNet，一种用于利用卫星影像进行野火分割的混合量子-经典模型。通过将变分量子电路集成到U-Net架构中，QFireNet旨在更好地模拟野火数据集中发现的复杂光谱特征。研究发现，量子增强模型，特别是QB-Net和QuFeX，在F1分数方面优于经典的U-Net基线，尽管经典的特征金字塔网络（FPN）取得了相当的结果。至关重要的是，数据混合显著提高了FPN的性能并减少了域偏移，证明了数据预处理对于稳健野火检测的重要性。
-
新的FGAA-FPN增强了高分辨率图像中的定向目标检测
研究人员开发了FGAA-FPN，一种新颖的特征金字塔网络，旨在提高高分辨率图像中的定向目标检测能力。该网络包含一个前景引导特征调制模块，用于增强目标区域并抑制背景噪声，以及一个角度感知多头注意力模块，该模块利用方向先验信息来改善特征区分能力。在DOTA数据集上的实验表明，FGAA-FPN在DOTA-v1.0上取得了75.5%的mAP分数，在DOTA-v1.5上取得了68.3%的mAP分数，达到了最先进的性能。
-
GAN方法改进微电阻率成像测井恢复
研究人员开发了一种改进的生成对抗网络（GAN），专门用于恢复部分缺失的微电阻率成像测井数据。所提出的方法采用特征金字塔网络（FPN）作为生成主干，并增强了深度可分离卷积残差块和Inception模块，以更好地捕捉多尺度的像素和语义信息。实验结果显示，在测试数据上的平均结构相似性度量为0.903，比其他方法约提高了0.3，并改善了后续解释的语义结构连贯性和纹理细节。
-
增强版YOLOv2模型改进了病毒和细胞斑块的检测
研究人员开发了一种增强版YOLOv2模型，用于检测生物医学图像中的病毒和小细胞斑块。该改进模型集成了特征金字塔网络（FPN）以实现更好的多尺度特征表示，以及一种可切换空洞卷积机制，以适应其对密集显微镜图像的感受野。该系统在小细胞斑块检测中达到了40.5%的平均精度均值（mAP），在FFU病毒斑块检测中达到了68%，证明了其在专业生物医学目标检测任务中的有效性。