关键词contrastive learning module
搜索结果 - 2
- 基于潜在域背景特征分离和抑制的道路病害检测
该研究介绍了一种新的 LDBFSS(潜在领域背景特征分离和抑制)网络,它能够在没有领域监督的情况下执行背景信息的分离和抑制,并通过对目标特征进行对比增强以改善道路疾病检测;实验证明该模型在道路疾病检测数据集上取得了显著的增强效果。
- 利用放射学和解剖提示改善放射学摘要
本文提出了一种新的解决方案来增强放射学家的结论写作,重点在于,将放射学图像和检查结果组合在一起生成结论,主要包括解剖学增强多模态模型和对比学习模块,经过两个基准数据集的实验证明,该方法显著优于其他自动结论生成模型。