SDR-Former:一种用于肝脏病变分类的孪生双分辨率 Transformer,使用 3D 多相成像
原文中文,约400字,阅读约需1分钟。发表于: 。提出了一种新的 Siamese Dual-Resolution Transformer (SDR-Former) 框架,特别针对不同相数的 3D 多相 CT 和 MR 成像中的肝脏病变分类,利用流体动力学 Siamese Neural Network (SNN) 处理多相成像输入,通过混合的 Dual-Resolution Transformer (DR-Former) 子架构以及新颖的...
本研究介绍了一种名为S^2Former-OR的新型变压器框架,用于手术室中的场景图生成。该框架能够以端到端的方式利用多视角的2D场景和3D点云进行场景图生成。通过引入视图同步转运方案,促进多视角视觉信息交互,并设计几何视觉凝聚操作将2D语义特征与3D点云特征整合。实验证明,S^2Former-OR在4D手术室基准测试中具有卓越性能和较低计算成本。与当前的OR-SGG方法相比,提高了3%的精度并减少了24.2M的模型参数。