题目：myMUSCLE, a New Multiphysics, Multiscale Simulation Coupling Environment 链接： https://doi.org/10.1080/00295639.2022.2148809 myMUSCLE，一种新的多物理场、多尺度仿真耦合环境   摘要 计算能力的提高使核界能够结合有关反应堆中发生的各种不同物理现象的现有

J. Han, K. Liang, B. Zhou, X. Zhu, J. Zhao, and L. Zhao, “Infrared small target detection utilizing the multiscale relative local contrast measure,” IEEE Geosci. Remote Sens. Lett., vol. 15, no. 4, p

目录 一.了解MViT二.介绍MViT1.基本思想2.优势 三.MViT模型1.多头池化注意力（Multi Head Pooling Attention）2.多尺度变换器网络(Multiscale Transformer Networks)2.1 Vision Transformer (ViT)2.2 Multiscale Vision Transformers (MViT) 四.视频识别

摘要 许多医学图像分割的SOTA模型都是UNet网络和FCN网络的变体。尽管这些模型十分成功，但仍然有两个限制：（1）这些模型的最佳深度是先验未知的（即网络深度是无法预知的超参数），需要广泛的架构搜索或者不同深度模型的低效集成；（2）这些模型的跳跃连接强制实行不必要的限制性融合框架，仅在编码器和解码器子网络中相同尺度的特征图上强制进行聚合。为了克服这两个限制，文章提出了UNet++模型，一种新的

论文链接：https://arxiv.org/pdf/2106.01483v2.pdfhttps://arxiv.org/pdf/2106.01483v2.pdf 代码链接：GitHub - Mazin-Hnewa/MS-DAYOLO: Multiscale Domain Adaptive YOLO for Cross-Domain Object DetectionMultiscale Doma

LiM-Net：用于CT图像中自动肝脏分割的具有深度残差学习的轻量级多级多尺度网络 自动肝脏分割在医学领域获得了显著的关注，以处理肝脏异常。此外，由于医学成像的进步，数据量每天都在增加，这寻求对自动肝脏分割技术的需求，以避免当前由医学专家遵循的肝脏描绘的劳动密集型过程。该方法基于深度学习方法。我们利用多层次多尺度特征提取和融合概念来提高肝脏分割结果。将计算效率高的预激活多尺度Res2Net主干结