自动化机器人抓取姿态估计领域的新突破——MetaCoorNet网络 学术背景与研究问题 机器人抓取是机器人技术中的一项基础挑战，其核心在于如何使机器人能够与环境互动，完成对象拾取和操控任务。尽管自动化抓取技术在工业制造、家用辅助和零部件组装等领域表现出了巨大潜力，但其应用却面临诸多困难。例如，抓取对象形状、尺寸、材质等的多样性以及环境中的复杂因素（如遮挡和光照变化），都会对抓取算法的稳定性和真实性构成挑战。除外，采集传感器数据噪声和机械手本身复杂的机械设计也为实现高精度的抓取增加了难度。 在这一背景下，抓取姿态估计成为掌控机器人抓取动作的关键技术。抓取姿态估计是一个回归问题，目标是根据视觉输入数据（如RGB或点云图像）预测最适合的抓取点及对应的角度。近年来，随着深度学习技术的快速发展，更多研...

多级特征探索与融合网络用于MRI中IDH状态的预测研究 研究背景 胶质瘤是成年人中最常见的恶性原发性脑肿瘤。根据2021年世界卫生组织（WHO）对肿瘤的分类，基因型在肿瘤亚型划分中具有重要意义，尤其是异柠檬酸脱氢酶（IDH）基因型在诊断胶质瘤时极为重要。临床研究表明，携带IDH突变的胶质瘤通过特定的表观遗传变异特征驱动，影响酶活性、细胞代谢和生物特性；相较于携带IDH野生型的胶质瘤，携带IDH突变的胶质瘤对替莫唑胺更敏感，预后更好。目前，IDH状态的确定主要依赖于在侵入性手术后对组织标本进行基因测序或免疫组织化学分析。然而，侵入性操作可能延误最终治疗决策，甚至导致肿瘤转移。因此，迫切需要通过非侵入性的方法在术前预测IDH状态（IDH prediction），以便为胶质瘤患者制定适当的治疗方案...

用于语义分割的堆叠反卷积网络 引言 语义分割在计算机视觉领域中是一项关键任务，其目的是对图像中的每一个像素进行分类，预测其类别。然而，现有的全卷积网络（Fully Convolutional Networks, FCNs）在处理空间分辨率方面存在局限性，容易出现物体边界模糊和小物体丢失的问题。为了解决这些问题，本文提出了一种堆叠逆卷积网络（Stacked Deconvolutional Network, SDN）来提升语义分割的效果。 研究背景 在深度卷积神经网络（Deep Convolutional Neural Networks, DCNNs）的推动下，语义分割取得了显著进展。DCNN通过强大的学习能力可以获取高级语义特征，比如图像分类、目标检测和关键点预测等。然而，DCNN在语义分割任...