ViT（视觉变换器）通过将图像分割为小块并利用自注意力机制，成为计算机视觉领域的重要模型。尽管缺乏先验知识，但在大数据集上表现优越。Swin Transformer在此基础上进一步改进，适应多尺度特征，提升检测和分割效果。

本研究解决了自动诊断胸部疾病中长期标签多标签数据分类的问题，提出了CheX-DS模型，通过集成学习结合了DenseNet和Swin Transformer的优势。研究发现，该模型在处理数据不平衡方面表现出色，能够有效提升肺部X光图像分类的准确性，平均AUC评分达到83.76%。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了一种名为MSMV-Swin的多尺度多视图Swin变换器框架，以提高乳腺癌诊断的鲁棒性和准确性。该框架利用Segment Anything Model (SAM)提取特征，帮助放射科医生做出更有效的决策，促进人机互动和信任建立。

本研究针对现有肺结节检测模型效率不足的问题，提出了一种基于2D CT切片的高效检测方法，利用微型Swin Transformer减少计算负担并简化训练与推理过程。实验结果表明，该模型在小结节的平均精确度和平均召回率上优于最先进的方法，展示出其在肺癌早期诊断中的潜在应用价值。

本研究针对CT尿路造影中肾脏影像合成的不足，提出了一种基于扩散模型和Swin变换器的深度学习新方法。该方法生成的合成肾脏影像具有较高的信噪比和结构相似性，能够在不降低影像质量的前提下，降低CT尿路造影的辐射剂量，从而提升其安全性和诊断价值。

本文介绍了一种基于深度学习的铁路缺陷检测方法，结合卷积神经网络和迁移学习，提升了检测精度和一致性。研究还提出了合成图像生成技术和轻量级多尺度交互网络，以解决数据稀缺问题，展示了智能铁路系统的潜力。

本研究针对事件相机在快速运动或复杂光照条件下光流估计的需求，提出了SDformerFlow和STTFlowNet两种新的解决方案，利用时空窗口自注意力变换器和全脉冲神经网络架构。该研究首次应用脉冲变换器于光流估计，结果显示其在DSEC和MVSEC数据集上具有优越性能和显著减少的能耗。

本研究应用元转移学习方法进行湖泊深度温度预测，表现优于传统模型。利用神经网络预测水温并评估模型的鲁棒性。提出DynamicEarthNet数据集和新评估指标SCS，探索机器学习在洪水预测中的应用。同时介绍LEFormer和LEPrompter架构，以提升湖泊提取性能。此外，研究解决了农业监测中的标签依赖问题，显著提高了多年度作物映射的准确性。

本研究提出了一种基于物理启发的转换器模型，旨在处理大气湍流引起的图像失真。通过深度学习方法，开发了深度大气湍流抑制网络（DATUM），显著提高了图像恢复的效率和质量。此外，研究结合动态湍流和静态背景，改善了图像质量和视觉任务的性能。

本文提出了多种人脸反欺诈和领域泛化方法，包括单边领域泛化框架、双重加权域泛化和基于深度生成对抗网络的技术。这些方法通过优化特征学习和模型训练，显著提高了人脸防欺骗的泛化能力和准确性，实验结果在多个公共数据集上优于现有技术。

本文讨论了电子离子对撞机中影像 Cherenkov 探测器的应用，强调了 AI 辅助设计在粒子识别中的重要性。研究利用深度学习技术重构中性电流深非弹性散射的运动学，提高了探测精度和效率，并提出了多目标优化方法以提升探测器性能，推动高能核物理实验的发展。

本文介绍了多种视频帧插值（VFI）方法的研究进展，包括基于传播网络的插值框架、感知导向的PerVFI方法和WaveletVFI框架。这些方法在解决模糊、幻影效果及大间隔问题上表现出色，实验结果显示它们在多个基准测试中优于现有技术，提升了插值质量和计算效率。

该研究提出了一种基于差异的主动学习方法，有效缩小类激活图与真实结果之间的差距。在WCE数据集评估中，该方法在仅标记10%训练数据的情况下，性能优于现有主动学习方法。此外，研究开发了基于视频胶囊内窥镜图像的出血区域分割策略，减少了对大量标注数据的依赖。

本文介绍了一种新型自我监督学习框架MDU-ST，旨在提高3D病灶分割的准确性。该模型结合了Swin-transformer编码器和CNN解码器，通过三阶段框架利用未标记的3D数据进行学习，在内部数据集上表现出显著改进，适用于肿瘤生长建模研究。

本文探讨了一种基于Swin Transformer的图像去噪和恢复新方法，提出了DS-TransUNet网络架构，显著提升了医学图像分割质量。研究还展示了深度学习在图像恢复中的加速效果，强调无监督训练和良好的泛化能力。

本文介绍了基于Swin Transformer的医学图像处理模型，包括重建Swin Transformer (RST)和双重Swin Transformer U-Net (DS-TransUNet)，显著提升了4D MRI重建和医学图像分割效果。此外，提出了多维统一Swin Transformer (MDU-ST)用于3D病灶分割，展现出优越性能，适用于自动化肿瘤生长建模研究。