uvula中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

基於物件偵測之喉鏡定位以及導航系統

為了解決uvula中文的問題，作者徐詠偲 這樣論述：

本文中我們創建了一個系統，提供醫生在插入喉頭鏡時一個建議的方向以及定位方法，使其可以避免因誤傷病人，而發生難以挽回的後果。其中系統包括物件偵測模型LARP(局部注意力之區域提議機制, Local Attentive Region Proposals)、用來進行導航的對稱性檢測和雙邊檢測以及用來做定位的視覺里程計。由於現行物件偵測多需要對照片進行全域搜索，此過程會對搜尋資源造成過多的浪費，因此我們採用ARM(Attentive Recurrent Mechanism)對圖片本身進行順序性觀察，並決定是否停止搜尋。ARM每次將會輸出一區域定位，我們將此區域定位輸入進RPN(區域提議網路, Reg

ion Proposal Network)使其產生RoIs(Region of Interest)，再將RoIs輸入偵測器進行分類以及回歸，最後經過篩選產生物件偵測之輸出。此系統之導航使用對稱性檢測和雙邊檢測來完成，對稱性演算法由SIFT演算法(Scale Invariant Feature Transform)經過對反轉後的照片進行檢測，從而獲得對稱線；雙邊檢測則是使用canny邊緣檢測以及概率霍夫變換來完成，透過對懸雍垂到會厭中間這段路的影像找出畫面兩旁的線段以藉此得到導航方向。最後，此系統之定位是使用視覺里程計來完成，其透過一幀幀照片中對特徵點的檢測以及金字塔LK光流法的比對可以得到兩張

照片中對應的特徵點，再藉由對應的特徵點算出旋轉矩陣以及平移向量，由於平移向量缺少尺度的資訊，因此我們將透過棋盤格給予初始值以得到尺度資訊，最後透過累加得知相機已經前進的長度，達到定位的功能。實驗的部分我們分別以三種不同的資料集Pascal VOC資料集、大腸鏡資料集、喉鏡資料集對LARP以及drl-RPN做比較，由實驗結果可得知，LARP與drl-RPN在準確率上差異不大，但在平均搜尋次數、平均搜尋面積以及SPF的效果上都是比較好的。而導引的部分，第一，我們用實際錄好的影片進行檢測，預期導引的角度誤差均不會超過8度，第二，我們找同學實測有無使用此系統走到終點的時間，由結果可以發現使用此系統可以

加速走到終點。最後是定位的部分，我們用實際錄好的影片進行檢測，比較原始視覺里程計依序疊加棋盤格方法、卡爾濾波器、LARP來做為檢測方法，以及當資料有雜訊時的誤差，共五種不同比較狀態，其結果顯示我們的效果比原始視覺里程計效果要好，並大多隨著功能的疊加而更有效，而雜訊雖然會造成干擾，卻仍然有不錯的功效。