CRASH是一种新颖的事故预测框架，能够准确及时地预测交通事故。该框架融合了多个模块，包括物体检测器、特征提取器和上下文感知模块。实验结果表明，该模型在关键评估指标上超过了现有的基准，尤其在有限训练数据或缺失数据的驾驶场景中表现出了强大的鲁棒性和适应性。

X射线图像检测是一种有效的安全检查方法，但X射线图像中的独特重叠现象降低了一般物体检测器的准确性。因此，提出了一种多类最小边界对比学习（MMCL）方法，以帮助模型从耦合特征中提取特定类别的前景信息。

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。