PulseAugur
中
实时 19:59:57
English(EN) Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures

新的域泛化模型改进了放大不变的组织病理学分类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种域泛化模型，以解决组织病理学图像分类中的放大倍数变化问题，这是阻碍模型在不同成像尺度上泛化的常见问题。该模型在 BreaKHis 数据集上进行了测试，与基线方法和 GAN 增强方法相比，其区分能力更优，尤其是在训练中排除了较高放大倍数的情况下。该域泛化模型还实现了较低的 Brier 分数，并在保持高预测性能和可重复性的同时显著降低了稀疏嵌入的维度。 AI

影响 提高了计算病理学模型在不同成像尺度上的鲁棒性，使其能够更可靠地部署。

排序理由 关于一种新颖的图像分类域泛化技术的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的域泛化模型改进了放大不变的组织病理学分类

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Ifeanyi Ezuma, Olusiji Medaiyese ·

    通过域泛化和稳定稀疏嵌入签名实现放大不变性图像分类

    arXiv:2604.25817v1 Announce Type: cross Abstract: Magnification shift is a major obstacle to robust histopathology classification, because models trained on one imaging scale often generalize poorly to another. Here, we evaluated this problem on the BreaKHis dataset using a stric…

  2. arXiv cs.CV TIER_1 English(EN) · Olusiji Medaiyese ·

    通过域泛化和稳定稀疏嵌入签名实现放大不变的图像分类

    Magnification shift is a major obstacle to robust histopathology classification, because models trained on one imaging scale often generalize poorly to another. Here, we evaluated this problem on the BreaKHis dataset using a strict patient-disjoint leave-one-magnification-out pro…

相关话题