论文精度：BoltzFormer：基于Boltzmann采样的动态稀疏注意力机制在小物体图像分析中的应用
论文地址：https://arxiv.org/pdf/2503.02841
目录
背景与挑战
小物体检测的困境
现有方法的局限
核心创新：BoltzFormer架构
总体设计思想
关键技术解析
1. Boltzmann注意力采样
概率分布建模
动态采样过程
2. 多查询集成机制
并行查询设计
协同进化策略
3. PiGMA聚合模块
双路径融合
实现细节
性能优势分析
理论优势
实测表现
关键实验发现
消融实验揭示设计选择
失败案例分析
应用场景展望
医学影像领域
扩展应用
未来发展方向
背景与挑战
小物体检测的困境
在医学影像分析中，肺结节、肿瘤病灶等微小目标的检测与分割是核心任务，但这些目标往往仅占整幅图像的0.1%以下。传统Transformer架构在处理此类问题时面临两大挑战：
- 冗余计算：全局注意力机制导致大量计算资源浪费在无关区域。例如，一张1024x1024的CT图像中，一个5x5的病灶仅占0.02