本研究提出了一种改进的物体检测器SCC-YOLO，结合SCConv注意力机制，以提高脑肿瘤检测的有效性。实验结果表明，SCC-YOLO在两个数据集上的mAp50分别提升了0.3%和0.5%。

该研究提出了一种基于生成对抗网络（GAN）的无梯度攻击方法，旨在生成自然物理的对抗贴片以欺骗物体检测器。结果表明，该方法在数字和物理场景中均有效，显著提高了对防御模型的攻击成功率。同时，研究探讨了不同的对抗样本攻击方式及其防御技术，以增强模型的鲁棒性。

本文介绍了倒置关注机制，可提高物体检测器性能，无需额外训练和注意力估计网络参数，在基准数据库上显著提升检测器性能。

本文介绍了一种新的容积注意力（VA）模块，用于3D医学图像分割和检测。该模块利用沿着z方向的上下文信息，从而在训练数据有限时使用预先训练的2D检测模型。实验证明，将VA添加到现有的物体检测器中可以显著提高性能，在肝肿瘤分割挑战和DeepLesion数据集上都取得了优异的成绩。

本文介绍了Vision和Detection Transformers（ViDT），ViDT是一个高效的物体检测器，通过重新配置注意力模块扩展Swin Transformer为独立的物体检测器，并采用多尺度特征和辅助技术提高检测性能，支持对象检测和实例分割的联合任务学习。已在Microsoft COCO基准数据集上获得广泛评估结果，是目前最佳的基于Transformer的物体检测器之一。