PulseAugur
实时 07:58:01
English(EN) PathSelect: Sequential Token Selection for Whole Slide Pathology

PathSelect框架解决了视觉语言模型处理WSI的难题

研究人员开发了PathSelect,一个新颖的框架,旨在解决使用视觉语言模型(VLMs)处理千兆像素全切片图像(WSIs)的计算挑战。PathSelect将令牌剪枝重新构建为顺序选择过程,使模型能够学习最优路由策略,而不是依赖静态启发式方法。该方法在训练期间使用带有噪声调制的微分Soft Top-K算子,在推理时使用确定性Hard Top-K算子,显著降低了令牌选择的延迟,并在SlideBench (TCGA)等基准测试中取得了高精度。 AI

影响 这项研究为处理大型医学图像提供了一种更有效的方法,有可能加速AI驱动的病理学工具的诊断能力。

排序理由 该条目描述了一篇新的研究论文,详细介绍了一种新颖的技术方法来解决AI模型处理中的特定问题。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

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

PathSelect框架解决了视觉语言模型处理WSI的难题

报道来源 [1]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    PathSelect:全切片病理学的序列化Token选择

    Gigapixel Whole-Slide Images (WSIs) present a fundamental computational bottleneck for vision-language models (VLMs) due to extreme sequence lengths. Existing approaches predominantly rely on spatial sampling or training-free pruning, which risk diluting weak but informative sign…