【论文阅读】：TME-guided deep learning predicts chemotherapy and immunotherapy response in gastric cancer with attention-enhanced residual Swin Transformer
本论文在论文分享会中分享，点击查看论文PPT 👆 ⭐论文信息 文献类型：Cell 子刊 发表刊物：Cell Reports Medicine 发表时间：2025 发表单位：美国纽约布法罗大学等 ⭐summary第一句话：任务背景：辅助化疗和免疫检查点抑制剂已被证明对胃癌有持久的抗肿瘤作用。但目前缺乏有效的生物标志物，（无法准确预测哪些患者会真正从这些治疗中获益）。这限制了个体化治疗的发展。 第二句话：本文方法与任务：我们提出了一种注意力增强的残差Swin...
【论文阅读】：Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels
本论文在论文分享会中分享，点击查看论文PPT 👆 ⭐论文信息 文献类型：CCFA 发表刊物：AAAI 发表时间：2022 发表单位：中山大学 ⭐Abstract第一句话：介绍本文的研究任务：用部分标注的标签去训练多标签分类模型时一个极具挑战性和实际性的任务。 第二句话：概括现有算法：为了解决这个问题，现有算法主要利用预训练模型或半监督模型为”unknown label（未发现标签）”生成伪标签。 第三句话：介绍现有方法的局限性：然而，这些方法需求足够多的”known label（已知标签）”来训练模型，因此在标签稀缺的情况下效果不佳。 第四句话：介绍本文的思路：为了解决这个问题，本文提出将“在不同图像中将类别特定（category-specific）的表征进行融合，将已知标签的信息传播到未知（未发现）标签中作为补充，进而避免对预训练模型的依赖” 第五句话：介绍本文的具体设计：具体来说，本文提出了一种语义感知的表征融合（Semantic-Aware Representation Blending,...
【论文阅读】：Med-2E3：A 2D-Enhanced 3D Medical Multimodal Large Language Model
⭐论文信息 文献类型：预印本 arxiv 发表刊物：arxiv 发表时间：2024 发表单位：清华大学 1.1 拟解决的科学问题✨ 本论文旨在构建一个适用于3D医学影像理解的多模态大模型，主要解决三维特征提取问题。✨ 本文属于医学大模型、多模态大模型、3D特征提取、局部全局特征融合等领域。 ⭐论文背景2.1...
【技术篇】BCE or CE? 多标签 还是 多分类？
我们在选择损失函数的时候，经常会遇到这样的问题，是选择二元交叉熵（Binary Cross Entropy，BCE），还是选择交叉熵（Cross Entropy，CE）？或许有人简单的认为，二分类问题选择BCE，多分类问题选择CE。那是不是BCE就只能用于二分类问题呢？那么到底有什么细节需要注意呢？本文将为你一一解答。 读完本文你将明白如下： BCE不仅适用于二分类问题，还适用于多标签问题； CE是不会注意负标签的损失的，而BCE会计算负标签的损失；（BCE不是简单的二元CE） BCE 和 CE 在torch中计算log的底数取e，即ln； CE 在torch中输入接收为logits，而BCE接收为概率值； BCE 和 CE 在torch中还有一个参数reduction，用于控制损失的计算方式； CE 在torch接受的标签是向量而不是矩阵。 ⭐二分类、多分类、多标签二分类问题在正式描述 BCE 和 CE 之前，我们先来了解一下二分类、多分类和多标签的概念。 二分类任务很简单，就是将输入图片分成俩类，即True 和...
【论文阅读】：Med-Former： A Transformer-based Architecture for Medical Image Classification
⭐论文信息 文献类型：会议论文(CCFB) 发表刊物：MICCAI 发表时间：2024 发表单位：纽约州立大学石溪分校 1.1 拟解决的科学问题✨ 本论文旨在解决Transformer在医学图像分类任务中的应用问题，主要解决了Transformer在医学图像分类任务中特征提取不佳和不能很好地传播有效的信息的问题。✨ 本文属于医学图像分类领域，我还将其归为多尺度融合领域，具体涉及到局部全局特征融合领域。 ⭐论文背景2.1 基本背景和前提技术✨ 多尺度融合：多尺度融合是指将不同尺度的特征进行融合，以提高特征的表达能力，在图像特征提取中，多尺度融合常表明图像的不同分辨率的特征融合，例如在CNN中设计的多尺度卷积核，卷积核的大小不同，意味着卷积核能够提取不同尺度的特征：越小的卷积核提取的是细节特征，越大的卷积核提取的是全局特征，如何将这些各种尺度的特征融合起来，学术界称之为多尺度融合任务。 ✨...
【论文阅读】：Large Loss Matters in Weakly Supervised Multi-Label Classification
本论文在论文分享会中分享，点击查看论文PPT 👆 ⭐论文信息 文献类型：会议论文(CCFA) 发表刊物：CVPR 发表时间：2022 发表单位：首尔国立大学 1.1 拟解决的科学问题✨ 本论文旨在解决多标签数据集中标签部分遗漏的问题。✨ 本文属于 弱监督学习 领域。具体属于 弱标签学习 领域或 弱监督多标签学习（WSML） 领域。 ⭐论文背景2.1 基本背景✨ 弱监督多标签学习（WSML）In a WSML setting, labels are given as a form of partial label, which means only a small amount of categories is annotated per image. This setting reflects the recently released large-scale multi-label datasets [12,19] which provide only partial label. ✨...
Hello World
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick StartCreate a new post1$ hexo new "My New Post" More info: Writing Run server1$ hexo server More info: Server Generate static files1$ hexo generate More info: Generating Deploy to remote sites1$ hexo deploy More info: Deployment
最新文章