multiple instance learning | BriefGPT

关键词multiple instance learning

搜索结果 - 140

ADR: 多实例学习中的注意力分散正则化方法对抗过拟合，用于整张切片图像分类
提出了一种名为 Attention Diversity Regularization (ADR) 的简单有效的技术，通过在正规多实例学习框架中引入负熵损失来提高注意力值的熵，从而促进高熵，证明了其在多个 WSI 分类任务中优于现有方法的性能
PDF16 days ago
xMIL: 在组织病理学中的多实例学习中的有见地解释
通过引入解释性人工智能（XAI）的方法并使用层内相关传播（LRP）技术，我们重新审视了多实例学习（MIL），并提出了一种更具一般性假设的改进框架 xMIL。通过在三个模拟设置和四个真实组织病理学数据集上进行大量评估实验，我们展示了如何获得改
PDFa month ago
面向任务的嵌入计数：启发式聚类驱动的特征微调用于全切片图像分类
通过启发式聚类驱动的特征微调方法（HC-FT），提供纯净的正样本和难负样本，增强多实例学习的性能，并在 CAMELYON16 和 BRACS 数据集上实现了 97.13% 和 85.85% 的 AUC，持续优于所有对比方法。
PDFa month ago
CVPR关键补丁即所需：一个稳健医学诊断的多实例学习框架
通过使用多实例学习 (MIL) 框架，我们限制深度学习模型使用信息的数量来进行最终分类，从而提高模型在医学图像分析领域的鲁棒性和解释性。
PDF2 months ago
基于硬件的鲁棒实时移动恶意软件检测方法研究
本研究介绍了一种基于硬件的移动设备恶意软件检测器（RT-HMD），通过多实例学习（MIL）方法改进分段时间序列中的恶意软件表示。利用所提出的恶意区分分数，RT-HMD 有效地识别局部恶意软件行为，从而提高了预测准确性。经过实证分析，使用从移
PDF2 months ago
用于诊断全幻灯片图像的语义感知注意引导
精确的癌症诊断在数字病理学中仍然是一个重要挑战，主要是由于全幻灯片图像中的巨像素大小和复杂空间关系所致。本文引入一种名为 Semantics-Aware Attention Guidance（SAG）的新框架，通过将诊断相关实体转换为注意信
PDF3 months ago
FRACTAL：基于文本标签的细粒度评分
我们介绍了一种将响应级别标签细分为句子级别（伪）标签的方法，该方法利用多实例学习（MIL）和学习标签比例（LLP）技术以及先前信息训练专用模型进行句子级别评分，并利用模型预测对训练集进行伪标签，以进一步提高性能。我们在六个数据集和四个任务上
PDF3 months ago
利用多个实例学习在整个切片图像中找到感兴趣区域
通过弱监督的多实例学习方法，利用全幅显微镜图像整体癌症表型的预测来探索肿瘤检测和癌基因突变检测，结果显示与参考实现（AUC 0.96）相匹配的新型叠加多实例学习和关注多实例学习（AUC 0.97）对肿瘤和 TP53 突变的检测能力优于其他
PDF3 months ago
重新思考基于注意力的多实例学习在全切片病理图像分类中的应用：一个实例属性的观点
提出了一个属性驱动 MIL 框架来解决注意力机制在区分实例上的限制，并通过空间属性约束和属性排序约束改进了模型的识别能力，进而在多个评估指标上优于现有的最先进框架。
PDF3 months ago
组织病理学全幻灯片图像的集成图形转换框架的表示和分类
通过引入整合图转换器框架，本研究在数字病理学中用于弱监督组织病理学全幻灯片图像分类的多实例学习策略可以同时捕捉上下文感知的关系特征和全局图像表示，实验证明该方法在 WSI 数据集上具有优越性能，准确率提高 1.0%-2.6%，在 AUROC
PDF3 months ago
逻辑函数的双曲正切表示：用于 CT 颅内出血概率多元实例学习的应用
该研究论文介绍了多实例学习 (MIL) 的应用及其基于高斯过程 (GPs) 的方法 VGPMIL，同时提出了一种基于 Gamma 分布的新方法，通过广泛的实验证明其在预测性能和效率方面具有竞争力。
PDF3 months ago
基于提示的自适应模型转换用于大规模图像分类
多实例学习（MIL）作为一种流行的方法正在用于对组织病理学全幅切片图像进行分类。作者提出了 PAMT，这是一种新颖的基于提示的自适应模型转换框架，通过无缝地将预训练模型适应组织病理学数据的特点来提高 MIL 分类性能。作者引入了代表性补丁采
PDF3 months ago
RetMIL：组织病理学全切片图像分类的记忆多实例学习
通过提出的基于保留机制的 RetMIL 方法，实现了对组织病理学全幻灯片图像的分析，同时在性能和计算开销方面取得了显著的提升。
PDF4 months ago
MambaMIL: 在计算病理学中通过序列重新排序来增强长序列建模
通过在多实例学习（MIL）中引入选择性扫描空间状态顺序模型（Mamba），提出了具有线性复杂度的长序列建模的 MambaMIL。通过继承香草 Mamba 的能力，MambaMIL 能够全面理解和感知实例的长序列，并借助序列重新排序的 Mam
PDF4 months ago
基于随机采样的整张切片图像分类的多实例学习
在计算病理学中，通过对抽样补丁进行训练的多实例学习（MIL）方法在计算效率上是高效的，并且作为一种正则化策略。本研究探讨了不同采样大小对性能趋势以及对模型可解释性的影响，并在 CAMELYON16 数据集上使用 30% 的补丁实现了 1.7
PDF4 months ago
HistGen: 通过局部 - 全局特征编码和跨模态上下文交互实现的组织病理报告生成
通过本研究，我们首次引入 HistGen，一个采用多实例学习的框架用于组织病理学报告生成，并提供了用于评估的基准数据集。该模型通过两个精心设计的模块来提高报告生成的效率，从而加强了临床效果。实验结果表明该模型在报告生成方面表现优于现有最先进
PDF4 months ago
利用掩码上下文建模和知识蒸馏来微调多实例学习特征提取器
通过使用遮蔽上下文建模与知识蒸馏的方法，对特征提取器模型进行微调，可以显著提高多示例学习中整个切片图像分类的性能。
PDF4 months ago
自监督多实例学习用于急性髓系白血病分类
通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。
PDF4 months ago
MamMIL：基于状态空间模型的整片切片图像多实例学习
通过将 Transformer 与多实例学习（MIL）框架结合使用整张切片图像（WSIs），我们提出了一种 MamMIL 框架，首次将选择性结构状态空间模型（即 Mamba）与 MIL 结合起来，实现了对实例依赖性的建模并保持了线性复杂性。
PDF4 months ago
从事件提示中学习视频异常检测中的疑似异常
提出了一种用于弱监督视频异常检测的新颖框架，通过计算潜在异常事件的文本提示词典与异常视频生成的字幕之间的语义异常相似性，标识每个视频片段的疑似异常事件，并通过多提示学习过程约束所有视频的视觉 - 语义特征，提供了一种为自训练标记伪异常的新方
PDF4 months ago