脓毒症（Sepsis）是一种由感染引发的全身性炎症反应综合征，常导致多器官功能衰竭和高死亡率。尽管现代医学技术在脓毒症的治疗上取得了显著进展，但仍有部分患者因病情急剧恶化而死亡。因此，准确预测脓毒症患者的死亡风险对于临床医生制定及时、个性化的干预策略至关重要。然而，现有的临床评分系统（如APACHE-II和SOFA评分）虽然能够评估危重患者的整体病情，但并未专门针对脓毒症患者进行优化。此外，传统的机器学习模型在处理时间序列数据时，往往忽略了疾病进展的时序特征，导致预测性能有限。 为了应对这些挑战，本研究提出了一种基于Transformer架构的时间序列模型，旨在通过捕捉患者ICU住院期间的动态健康轨迹，实时识别高风险个体，并为个性化干预提供可操作的见解。该研究不仅提升了脓毒症患者死亡风险的预...

学术背景 冷冻电子显微镜（Cryo-EM）是解析大分子（如蛋白质）结构的重要实验技术。然而，Cryo-EM的有效性常常受到实验条件（如低对比度和构象异质性）导致的噪声和密度值缺失的制约。尽管现有的全局和局部图像锐化技术被广泛用于改善Cryo-EM密度图，但在高效提升其质量以构建更精确的蛋白质结构方面仍面临挑战。为了解决这一问题，研究人员开发了CryoTen，一种基于3D UNETR++风格Transformer的模型，旨在有效增强Cryo-EM密度图的质量。 论文来源 这篇论文由Joel Selvaraj、Liguo Wang和Jianlin Cheng共同撰写。Joel Selvaraj和Jianlin Cheng来自美国密苏里大学电气工程与计算机科学系，而Liguo Wang则来自布鲁克...

多标签图像分类的新突破——双关系Transformer网络 学术背景 多标签图像分类（Multi-Label Image Classification, MLIC）是计算机视觉领域中的一个基础但极具挑战性的问题。与单标签图像分类不同，MLIC的目标是为一张图像中的多个对象同时分配标签。由于图像中可能包含多个对象，且这些对象之间存在复杂的空间和语义关系，MLIC任务面临着场景复杂、对象尺度多样以及对象间隐含关联等挑战。近年来，随着深度学习技术的快速发展，尤其是卷积神经网络（CNN）和Transformer的引入，MLIC任务取得了显著进展。然而，现有的Transformer方法在处理2D特征图时，通常会将特征图展平为1D序列，这导致空间信息的丢失。此外，现有的注意力机制模型往往只关注显著的特征...

一种用于指代表达分割与生成的互监督框架 研究背景与问题提出 近年来，视觉-语言交互技术在人工智能领域取得了显著进展。其中，指代表达分割（Referring Expression Segmentation, RES）和指代表达生成（Referring Expression Generation, REG）作为两个核心任务，分别旨在根据自然语言描述定位图像中的目标对象并生成其分割掩码，以及为特定目标生成清晰准确的语言描述。尽管这两个任务本质上是互逆的，但它们的研究通常被分开进行，缺乏系统性地探讨两者如何相互促进的方法。 现有研究面临的主要问题包括：1）RES任务依赖大量标注数据，而这些数据的获取成本高昂；2）REG生成的表达可能存在歧义，难以准确定位目标对象；3）联合训练RES和REG的任务虽然...

一项基于多视图图像的端到端视觉语义定位研究 背景与研究意义 随着智能驾驶技术的迅速发展，自动驾驶汽车的精确定位能力成为研究和工业界的热点问题。准确的车辆定位不仅是自动驾驶的核心模块，同时也是高级驾驶辅助系统（ADAS）的重要组成部分。传统的基于视觉定位的方法通常依赖几何模型和复杂的参数调优，但在复杂的场景下，其鲁棒性和大规模部署能力有限。此外，受环境变化（如天气、光照条件等）影响，传统特征提取方法（例如SIFT（尺度不变特征变换）、SURF（加速鲁棒特征）、ORB（方向快速和旋转简要特征）等）在动态环境中表现有限。近年来，带有丰富语义信息的高精度地图（HD Maps, 高精地图）被证明能够增强定位的鲁棒性。然而，如何在多视图图像与语义地图之间实现高效的跨模态匹配，同时避免复杂的几何优化和多阶...

Transformer for Object Re-Identification: A Survey 背景与研究意义 对象重新识别（Object Re-Identification，简称Re-ID）是一项重要的计算机视觉任务，旨在跨时间和场景识别特定对象。这一领域在深度学习技术的推动下取得了显著进展，尤其是基于卷积神经网络（Convolutional Neural Networks，简称CNNs）的研究。然而，随着视觉Transformer的出现，Re-ID研究开启了新的篇章。本文综述了基于Transformer的Re-ID技术，分析其在图像/视频、少数据/少标注、多模态及特殊应用场景中的优势与挑战。 研究团队与发表信息 本文由来自武汉大学、Sun Yat-Sen University和In...

研究背景及目的 近年来，脑机接口（Brain-Computer Interface，BCI）系统在神经工程和神经科学领域广泛应用，而脑电图（Electroencephalogram，EEG）作为反映中枢神经系统不同神经元群体活动的数据工具，已经成为这些领域中核心的研究内容。然而，EEG信号具有低空间分辨率、高时间分辨率、低信噪比以及个体差异大等特征，这些都为信号处理和准确分类带来了极大的挑战。尤其在运动想象（Motor Imagery，MI）这一EEG-BCI系统常用范式中，准确分类不同MI任务的EEG信号对于BCI系统的功能恢复和康复具有重要意义。 传统的MI-EEG分类方法通常基于手工特征提取和分类，但这些方法可能在特征提取阶段丢失EEG的有用信息。近年来，深度学习模型因其自动特征提取和...