ترجمه فارسی مقاله توجه چیزی نیست که شما نیاز دارید: تجدید نظر در یادگیری چند منظوره برای طبقه بندی تصویر کامل اسلاید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification
عنوان مقاله به فارسی توجه چیزی نیست که شما نیاز دارید: تجدید نظر در یادگیری چند منظوره برای طبقه بندی تصویر کامل اسلاید
نویسندگان Xin Liu, Weijia Zhang, Min-Ling Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 18 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Although attention-based multi-instance learning algorithms have achieved impressive performances on slide-level whole slide image (WSI) classification tasks, they are prone to mistakenly focus on irrelevant patterns such as staining conditions and tissue morphology, leading to incorrect patch-level predictions and unreliable interpretability. Moreover, these attention-based MIL algorithms tend to focus on salient instances and struggle to recognize hard-to-classify instances. In this paper, we first demonstrate that attention-based WSI classification methods do not adhere to the standard MIL assumptions. From the standard MIL assumptions, we propose a surprisingly simple yet effective instance-based MIL method for WSI classification (FocusMIL) based on max-pooling and forward amortized variational inference. We argue that synergizing the standard MIL assumption with variational inference encourages the model to focus on tumour morphology instead of spurious correlations. Our experimental evaluations show that FocusMIL significantly outperforms the baselines in patch-level classification tasks on the Camelyon16 and TCGA-NSCLC benchmarks. Visualization results show that our method also achieves better classification boundaries for identifying hard instances and mitigates the effect of spurious correlations between bags and labels.

چکیده به فارسی (ترجمه ماشینی)

اگرچه الگوریتم های یادگیری چند منظوره مبتنی بر توجه به وظایف طبقه بندی کل اسلاید سطح اسلاید (WSI) در سطح اسلاید به عملکردهای چشمگیر رسیده اند ، اما مستعد تمرکز بر روی الگوهای بی ربط مانند شرایط رنگ آمیزی و مورفولوژی بافت هستند و منجر به پیش بینی های نادرست سطح پچ می شوند.و تفسیر غیرقابل اعتماد.علاوه بر این ، این الگوریتم های MIL مبتنی بر توجه ، تمایل دارند که بر روی موارد برجسته متمرکز شوند و برای تشخیص موارد سخت طبقه بندی شده تلاش کنند.در این مقاله ، ما ابتدا نشان می دهیم که روشهای طبقه بندی WSI مبتنی بر توجه به فرضیات استاندارد MIL رعایت نمی کنند.از فرضیات استاندارد MIL ، ما یک روش MIL به طور شگفت آور ساده و در عین حال مؤثر مبتنی بر نمونه برای طبقه بندی WSI (FocusMIL) بر اساس حداکثر استخر و استنتاج تنوع به جلو پیشنهاد می کنیم.ما استدلال می کنیم که هم افزایی فرض MIL استاندارد با استنتاج متغیر ، مدل را ترغیب می کند تا به جای همبستگی های فریبنده ، روی مورفولوژی تومور تمرکز کند.ارزیابی های تجربی ما نشان می دهد که Focusmil به طور قابل توجهی از خطوط پایه در وظایف طبقه بندی سطح پچ در معیارهای Camelyon16 و TCGA-NSCLC استفاده می کند.نتایج تجسم نشان می دهد که روش ما همچنین به مرزهای طبقه بندی بهتری برای شناسایی موارد سخت دست می یابد و تأثیر همبستگی های فریبنده بین کیف ها و برچسب ها را کاهش می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.