Transformer 与 CNN：结直肠组织学分类基准测试

一项新近发表在 arXiv 上的研究比较了卷积神经网络 (CNN)、基于 Transformer 的模型以及混合架构在结直肠组织学图像分类中的性能。该研究使用 Kather 数据集评估了十二种不同的模型，发现所有模型都达到了高准确率，其中基于 Transformer 的架构通常表现出最强的结果。虽然像 EVA-02 和 ViT-B/16 这样的基于 Transformer 的模型表现最佳，但像 ResNet34 和 ConvNeXt-Tiny 这样的现代 CNN 在准确率和复杂性之间提供了有竞争力的平衡。该研究为计算病理学这一特定领域的深度学习方法提供了一个基准。 AI

影响 为计算病理学中的深度学习架构提供了一个基准，可能指导医学图像分析领域的未来研究和开发。

排序理由 该集群包含一篇研究论文，详细介绍了针对特定分类任务的深度学习模型的比较研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• Colorectal Histology Classification
• ConvNeXt-Tiny
• EVA-02
• ImageNet
• Kather colorectal histopathology dataset
• ResNet34
• Transformer
• ViT-B/16

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →