检测相关(6篇)
【1】 Time CNN and Graph Convolution Network for Epileptic Spike Detection in MEG Data
标题：时间CNN和图形卷积网络用于脑磁图数据中癫痫峰电位的检测
https://arxiv.org/abs/2310.09236癫痫患者的脑磁图（MEG）记录显示尖峰，这是病理学的典型生物标志物。检测这些尖峰可以准确定位触发癫痫发作的大脑区域。尖峰检测通常手动执行。然而，由于MEG数据的复杂性，这是一项繁重且容易出错的任务。为了解决这个问题，我们提出了一个一维时间卷积神经网络（时间CNN）与图形卷积网络（GCN）耦合，以分类短时间帧的MEG记录包含尖峰或不。与其他最近的方法相比，我们的模型有更少的参数训练，我们建议使用GCN占脑磁传感器的空间关系。我们的模型产生了临床相关的结果，并优于基于深度学习的最先进方法，在平衡数据集上达到了76.7%的分类f1分数，在现实的高度不平衡数据集上达到了25.5%。
【2】 A Spatial-Temporal Dual-Mode Mixed Flow Network for Panoramic Video Salient Object Detection
标题：一种服务器托管网用于全景视频显著目标检测的时空双模式混合流网络
https://arxiv.org/abs/2310.09016全景视频中的显著目标检测（SOD）技术目前仍处于初步探索阶段。将二维视频SOD方法间接应用于全景视频中显著目标的检测，存在检测精度低、模型复杂度高、泛化性能差等问题。为了克服这些障碍，我们设计了一个层间注意力（ILA）模块，层间权重（ILW）模块和双模态注意力（BMA）模块。基于这些模块，我们提出了一个时空双模混合流网络（STDMMF-Net），利用全景视频的空间流和相应的光流SOD。首先，ILA模块计算全景视频的连续帧的相邻水平特征之间的注意力，以提高从空间流中提取显著对象特征的准确性。然后，ILW模块量化各层特征中包含的显著对象信息，以提高混合流中各层特征的融合效率。最后，BMA模块提高了STDMMF-Net的检测精度。大量的主观和客观实验结果表明，该方法具有更好的检测精度比国家的最先进的（SOTA）的方法。此外，所提出的方法是更好的模型推理所需的内存，测试时间，复杂度和泛化性能方面的综合性能。
【3】 VCL Challenges 2023 at ICCV 2023 Technical Report: Bi-level Adaptation Method for Test-time Adaptive Object Detection
标题：VCL在ICCV 2023上的挑战2023技术报告：用于测试时间自适应目标检测的两级自适应方法
https://arxiv.org/abs/2310.08986本报告概述了我们团队参与VCL挑战B持续测试时间适应的情况，重点介绍了我们方法的技术细节。我们主要关注的是使用双级自适应的测试时自适应，包括image_level和detector_level自适应。在图像级，我们采用可调参数的图像滤波器，而在检测器级，我们利用可调参数的平均教师模块。最终，通过利用这些双水平自适应，我们在VCL挑战B内的测试集的目标域上实现了38.3%的mAP。值得注意的是，mAP的最小下降仅为4.2%，整体性能为32.5% mAP。
【4】 Rank-DETR for High Quality Object Detection
标题：用于高质量目标检测的RANK-DETR
https://arxiv.org/abs/2310.08854现代检测Transformers（DETR）使用一组对象查询来预测边界框列表，根据其分类置信度得分对其进行排序，并选择排名最高的预测作为给定输入图像的最终检测结果。高性能的对象检测器需要对边界框预测进行准确的排名。对于基于DETR的检测器，由于分类分数和定位精度之间的不对准，排名靠前的边界框遭受较不准确的定位质量，从而阻碍了高质量检测器的构建。在这项工作中，我们介绍了一个简单的和高性能的基于DETR的对象检测器，提出了一系列面向秩的设计，结合称为秩DETR。我们的主要贡献包括：（i）面向排名的架构设计，其可以提示积极预测并抑制消极预测以确保较低的误报率，以及（ii）面向排名的损失函数和匹配成本设计，其在排名期间优先考虑更准确的定位精度的预测，以在高IoU阈值下提升AP。我们应用我们的方法来改进最近的SOTA方法（例如，H-DETR和DINO-DETR），并在使用ResNet-
、Swin-T和Swin-L等不同主干时报告了强大的COCO对象检测结果，证明了我们方法的有效性。代码可以在url{https：//github.com/LeapLabTHU/Rank-DETR}上找到。
【5】 Incremental Object Detection with CLIP
标题：基于CLIP的增量式目标检测
https://arxiv.org/abs/2310.08815在增量检测任务中，与增量分类任务不同，由于图像在多个连续学习阶段中具有不同标记边界框的可能性，因此存在数据模糊性。这种现象通常会削弱模型学习新类的能力。然而，该模型的前向兼容性在现有的工作中考虑较少，这阻碍了该模型的增量学习的适用性。为了克服这个障碍，我们建议使用一个语言视觉模型，如CLIP生成不同的类集的文本特征嵌入，这增强了全局的特征空间。然后，我们采用广泛的类，以取代不可用的新类在早期学习阶段，以模拟实际的增量场景。最后，我们使用CLIP图像编码器来识别提案中的潜在对象，并通过模型将其分类到背景中。我们将这些建议的背景标签修改为已知类，并将框添加到训练集中，以减轻数据模糊性的问题。我们在PASCAL VOC 2007数据集上的各种增量学习设置上评估了我们的方法，我们的方法优于最先进的方法，特别是对于新类。
【6】 Histogram- and Diffusion-Based Medical Out-of-Distribution Detection
标题：基于直方图和扩散的医学离散性检测
https://arxiv.org/abs/2310.08654OOD检测对于人工智能算法的安全性和可靠性至关重要，特别是在医疗领域。在2023年医学OOD（MOOD）检测挑战赛的背景下，我们提出了一种结合基于直方图的方法和基于扩散的方法的管道。基于直方图的方法旨在准确地检测挑战的玩具示例中的均匀异常，例如具有恒定强度值的斑点。基于扩散的方法是基于最新的无监督异常检测方法之一，称为DDPM-OOD。我们探索这种方法，并提出了广泛的后处理步骤，像素级和样本级异常检测的大脑MRI和腹部CT数据提供的挑战。我们的研究结果表明，所提出的DDPM方法是敏感的模糊和偏置场样本，但面临的挑战与解剖变形，黑色切片，和交换补丁。这些研究结果表明，需要进一步的研究，以提高性能的DDPM的OOD检测在医学图像。
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房服务器托管网租用，北京机房租用，IDC机房托管， http://www.fwqtg.net
Linux命令之watch 1.watch介绍 linux命令watch是周期性的用来执行某命令，并把某命令执行结果输出到屏幕上。使用watch命令，可以周期性的监测并输出某命令的执行结果到屏幕上，省得手动一遍一遍运行某命令，提高工作效率。 2.watch用法…
