期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
ScaleMamba-YOLO:基于MambaYOLO的多尺度医学目标检测模型
1
作者 覃晓 钱泉梅 《南宁师范大学学报(自然科学版)》 2026年第2期63-75,共13页
针对MambaYOLO在医学影像分析中存在的多尺度适应性不足(病灶尺寸差异大导致固定感受野效果受限)和背景干扰敏感(正常组织噪声影响检测)2个关键问题,本研究提出了一种基于MambaYOLO的多尺度医学目标检测模型ScaleMamba-YOLO。首先,针对... 针对MambaYOLO在医学影像分析中存在的多尺度适应性不足(病灶尺寸差异大导致固定感受野效果受限)和背景干扰敏感(正常组织噪声影响检测)2个关键问题,本研究提出了一种基于MambaYOLO的多尺度医学目标检测模型ScaleMamba-YOLO。首先,针对尺度特征捕捉不足的问题,设计了医学多尺度局部特征增强模块(Medical Multi-scale Local Feature Enhancement Block),通过异构卷积核并行架构实现病理特征的全尺度覆盖,实现了对微小病灶和弥散性大病灶的协同检测。其次,为了减少背景噪声放大,提出特征聚合提取模块(Partial-enhanced C2F),采用部分卷积技术选择性保留关键特征通道,有效抑制了医学影像中正常组织区域的背景干扰。最后,为了验证模型的有效性,在Br35H(脑部MRI肿瘤)和PLoPy(结肠镜息肉)两个典型的公开医学数据集上进行了测试。实验结果表明,ScaleMamba-YOLO模型的平均精度均值(AP)分别达到72.7%和85.7%,相较于基线MambaYOLO模型,AP分别提升了2.2个百分点和1.7个百分点。这表明ScaleMamba-YOLO模型能有效克服多尺度适应性不足和背景干扰问题,可以显著提升模型对不同尺寸医学病灶的检测精度。 展开更多
关键词 Mamba mambayolo 多尺度特征融合 局部特征增强 医学影像分析
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部