- 博客(7)
- 收藏
- 关注
RSS订阅原创 多实例文章/方法学习记录_CLAMMIL
维度要点Background全切片图像（WSI）十亿像素，人工标注几乎不可行。Challenge① 仅 slide-level 标签；② 需多类亚型；③ 数据量小；④ 可解释 & 跨域。MethodCLAM= 多分支 Attention-MIL + 在线实例聚类正则（instance-level clustering）。1. 首次让弱监督 MIL 支持多类互斥任务；2. 小样本（≈100 张）即可收敛；3. 生成 pixel-level 可解释 heat-map；4. 零微调适配活检、手机显微镜图像。
2025-09-15 15:06:01
539
2
原创 多实例文章/方法学习记录_DTFDMIL
维度要点背景多实例学习（MIL）已成为仅有“切片级标签”的组织病理学全切片图像（WSI）分类的主流范式。挑战① 单张WSI尺寸巨大（108~109像素），实例（patch）数量极多；② 阳性区域占比小，且训练集“袋子”（slides）稀少 → 极易过拟合。方法提出双层特征蒸馏MIL（DTFD-MIL）1. 将一张slide随机拆成若干“伪袋子”（pseudo-bags），虚拟增广袋子数量；2. Tier-1 AB-MIL 对伪袋做预训练，并首次在AB-MIL框架下推导出实例概率（Grad-CAM思想）；
2025-09-11 16:32:49
618
原创 多实例文章/方法学习记录_ABMIL
背景多示例学习（MIL）仅给“包”一个标签，需要预测包级结果，还要解释包内哪些示例是关键。挑战1. 示例无序且数量可变 → 需要置换不变（permutation-invariant）建模。2. 仅有包标签 → 弱监督信号。3. 医疗/法律场景 → 必须定位关键实例（ROI）。方法1. 将 MIL 形式化为「学习包标签的伯努利分布」θ(X)，θ 由神经网络端到端学习。2. 提出：用双层神经网络生成示例权重，实现可学习的加权平均。贡献。
2025-08-25 15:04:53
939
原创 多实例文章/方法学习记录_FRMIL
在数字病理学里，整张切片（WSI）的良恶性判断是最核心的任务之一。一张切片往往包含上千万像素好几万个 patch，如果每个 patch 都要医生精细标注，人力成本极高，几乎不可能完成。首创把“最大实例重校准”引入病理 MIL；首次提出可学习的“特征幅度损失”；SOTA 性能+ 轻量架构，单张 WSI 推理仅需 0.3 s。
2025-08-25 14:57:35
776
原创 Linux 高频终端命令实战笔记：磁盘挂载、文件传输、后台运行一次搞定
大家进行项目部署、代码复现等少不了使用linux终端。在这里汇总了自己日常高频使用的命令汇总和梳理，希望可以帮到大家。主要包含：磁盘挂载、文件传输、代码程序后台运行。> 适用场景：新机器初始化、实验室服务器迁移、云实例持久化存储、远程复现论文代码。
2025-07-30 19:51:19
887
原创 学习记录：NAS服务器使用日志
这里记录自己针对NAS服务器的一些问题和使用情况已有：NAS服务器地址、管理员的账号和密码注：这里使用的是windows系统电脑。
2024-12-09 16:54:32
815
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人