In this study, we present an innovative hybrid approach for traffic sign detection in autonomous driving, combining YOLOv8's real-time detection capabilities with the Segment Anything Model (SAM), enhanced through Visual Prompt Tuning. This methodology addresses the challenge of accurately identifying diverse traffic signs, particularly those that are less common or visually complex. After the initial detection by YOLOv8, the SAM (Segment Anything Model), enhanced with Visual Prompt Tuning, is then applied to refine and improve the accuracy of these detections, especially for signs that are less common or have complex visual features. This two-step process, combining the quick detection capabilities of YOLOv8 with the detailed segmentation ability of SAM, aims to achieve high accuracy in traffic sign recognition, which is essential for the safe operation of autonomous vehicles.

Motivation: Motion resolution of the original Multitasking 4D RTP MR sequence is not robust enough. Goal(s): To enhance motion robustness and introduce T1/T2 mappings of 4D abdominal RTP MR protocol. Approach: Estimation of explicit motion deformable vector fields to correct. Results: The proposed approach dramatically enhance motion robustness of MR multitasking in 4D MRI. Impact: The straight-forward explicit motion vector field estimation and application provides effective and robust motion correction .

Traffic noise pollution is a significant source of urban pollution. Roadside noise barriers (RNBs) serve as a primary solution to urban traffic noise pollution, but achieving precise positioning of RNBs requires on-site inspections and manual labeling, which is time-consuming and labor-intensive. Deploying an RNB recognition algorithm on inspection vehicles equipped with cameras and positioning devices is an efficient approach to establishing a high-precision RNB positioning database. We propose a high-accuracy RNB recognition algorithm, RNBFormer. In the model design, we integrate both convolutional and transformer structures to enhance the model's global feature extraction capability while optimizing the representation of local features. Additionally, we incorporate a channel attention mechanism to provide more discriminative features at the channel level. We trained and tested our model on a publicly available dataset, achieving a classification accuracy of 98.93%.

Motivation: A recently developed MACS technique provides exquisite delineation of the structure and motion of the whole heart and aorta. However, it lacks T1, T2 information and is limited in assessing complex vascular and myocardial pathologies. Goal(s): To develop a quantitative MACS (qMACS) technique by incorporating T1 and T2 mapping into original MACS imaging pipeline. Approach: The qMACS sequence builds on a multi-tasking imaging framework and stack-of-stars acquisition. Respiratory-resolved T1,T2 maps were generated using dictionary-matching approach. Results: Free‐breathing and ECG-free 3D quantitative imaging of cardiovascular system in 10 minutes is feasible by proposed qMACS. qMACS measured slightly higher myocardial T1/T2 values than reference methods. Impact: qMACS is a time-efficient and patient-friendly technique for both quantitative and qualitative imaging of the whole cardioaortic system and may be used as a gatekeeper approach to the diagnosis of a variety of cardiovascular diseases.