研究人员发现,在放射学语言-图像预训练中常用的对比学习方法存在一个问题。他们发现,尽管这些方法降低了训练损失,但会导致零样本评估性能下降,并且在大批量训练时失败。该问题被认为源于未配对的报告与图像共享临床发现,从而产生了带有偏见的目标。为了解决这个问题,开发了一种名为CorLIP的新方法,该方法通过将文本视为阳性(当其临床断言与图像一致时)来纠正目标错误指定。CorLIP在基准测试中表现出改进的性能,消除了峰值后性能下降,实现了成功的大批量训练,并放大了更多数据带来的收益。 AI
影响 纠正对比学习的失败,可能提高放射学AI模型的性能和稳定性。
排序理由 该集群包含一篇详细介绍改进放射学语言-图像预训练新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- CLEVR-Radiology
- CORE Recommender
- CorLIP
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →