在标注的血液测试中,传统的流程需要医生手动分离白细胞,然后再对这些白细胞进行分类,从而进行后续诊断.这样的操作流程不仅时间开销大并且劳累.而且容易出错,导致后续的诊断和分类出现困难.当代的白细胞检测方法在处理白细胞较少和白细胞尺度不一样的图像上有很大的困难,为了解决这个困难,本文提出了一种方法MFDS-DETR.为了实现白细胞尺度问题,我们设计了高层级特征筛选金字塔(HS-FPN)来进行多尺度特征融合,

精确的分割对早期诊断是是重要的,目前常用的方法是使用U型网络并使用元素级的addition或者concatenation来融合不同层级的特征,但是这两种方法会导致加入冗余的信息导致不同级别的特征的互补性,从而导致边界的模糊等后果.为了应对这个问题,我们提出了m2snet,具体来说,我们首先设计了一个减法单元(SU)来获得不同的特征,然后我们将单尺度SU扩展到层内多尺度SU，它可以为解码器提供像素级和结构级的差异信息,然后，我们为不同层次的多尺度SUs配备不同的接受域，从而实现层间多尺度特征聚合，获得丰富的多尺度差异信息.

多尺度特征对于密集预测任务非常重要,包括目标检测,实例分割,目前的方法通常先使用分类的backbone来进行多尺度特征提取然后使用lightweight module来对特诊进行聚合,但是我们认为这样可能是不够的,因为特征融合网络分配的参数太少了,为了解决这个问题,我们提出了一种叫做cascade fusion network的架构.除了生成高纬度特征的网络,我们还使用了几个级联阶段的网络用语生成多尺度特征,每个阶段都包含一个用于特征提取的主干和一个用于特征集成的轻量化网络.这种设计让特征可以更加deep和高效的聚合在一起.

统计学中，方差用来衡量单个变量的离散程度，协方差用来计算两个随机变量的相似度，方差的计算公式为

在统计学中，把需要调查或者研究的某一现象或者事物的全部数据称为统计总体，或简称 总体(population)。 比如，我们要研究中国人的身高分布，那么全国14亿人的身高数据就是总体(population)， 这14亿身高数据所属的数据分布称为 总体分布 (population distribution)， 其中每一个人的身高数据，即单个数据称为个体(individual)。 然而在实际中，我们不可能得到14亿的全部数据，也就是 总体数据通常是无法得知的 。 这时，可以选择抽样(sampling)，即从总体当中随机抽取出部分个体，然后得到这部分抽样个体的数据， 一次抽样的结果称为一份样本(sample)。样本(sample)是一次抽样的结果，包含多个个体(individual)数据。

高斯分布被誉为上帝的分布，因为他有优秀的建模能力和数学性质。大量的独立同分布随机变量的均值在做适当的标准化后会依分布收敛于高斯分布，这使得高斯分布有普世建模能力。数学上, 当使用高斯分布对贝叶斯推断的似然和先验进行建模时, 得到的后验同样为高斯分布, 即其具有共轭先验性质. 在随机过程理论中, 多元高斯分布则是高斯过程的理论基础. 这种种场景使得高斯分布颇受重视, 并发展出一套成熟完整的理论体系. 本文主要介绍多元高斯分布的由来与其背后的几何原理.

实践中我们需要建立一个灵活但简洁的模型，可以捕获广泛的时间依赖关系,在本篇文章中，我们提出了PAM，其中尺度间树结构总结了不同分辨率下的特征，尺度内相邻连接建模了不同范围内的时间依赖关系。

在目前的研究中，特别是在长时间序列的分析中，有效提取和整合长期依赖和短期特征是一个重大的挑战。长期依赖关系是指在时间序列中间隔很远的数据点之间的相关性，而短期特征关注的是最近的变化。理解并把两种特征进行结合对于构建精确可靠的模型非常重要。本文提出了一种基于多尺度特征提取的金字塔注意力结构模型，叫MSFformer Model