Компьютерные науки > Компютерное видение и распознавание моделей [представлено 16 сентября 2026 года] Название: " Учиться в том, где фокусироваться: самообучение многосерийных VIT для гистопатологического взгляда PDF HTML (экспериментальное) резюме: Патологи диагностируют болезни путем обнаружения подозрительных тканей и затем изучают их при более высоком увеличении, тогда как самоконтролируемые трансформаторы зрения (ViTs) выделяют одинаковое пространственное разрешение на каждый регион изображения, несмотря на то что диагностические данные являются ограниченными и охватывают множество биологических масштабов. Последние патологические базовые модели существенно повысили качество представительства за счет расширения возможностей в области подготовки кадров и моделирования, но во многом сохранили единообразную символизацию. Вместо этого мы изучаем вопрос о том, можно ли улучшить патологические представления путем изучения того, где распределять пространственное разрешение в ходе самоконтроля. С этой целью мы предлагаем КРАФТ ( " Крупный район-адаптивная токенизация > ) - систему, основанную на ДИНО и учитывающую смешанные изображения путем использования самоконтроля за тем или иным видом внимания к выборочной доработке информативных регионов при сохранении жесткого контекста наряду с симметричным межмасштабным упорядочением, которое поощряет дополнительные крупномерные и тонкие представления. В рамках CAMELION16, классификации подтипов TCGA-Lung и прогнозирования…
Учиться в центре внимания: самозащитные многоплановые ВИТ для гистопатологии
arXiv: 2609.18578v1 Annuate Type: новый резюме: Патологи диагностируют заболевания, обнаруживая подозрительные ткани и затем анализируя их при более высоком увеличении, в то время как самоконтрольные трансформаторы зрения (ViTs) выделяют одинаковое пространственное разрешение каждому региону изображения, несмотря на ограниченность диагностических данных и многочисленность биологических масштабов. Последние патологические базовые модели существенно повысили качество представительства за счет расширения возможностей в области подготовки кадров и моделирования, но во многом сохранили единообразную символизацию. Вместо этого мы изучаем вопрос о том, можно ли улучшить патологические представления путем изучения того, где распределять пространственное разрешение в ходе самоконтроля. С этой целью мы предлагаем КРАФТ ( " Carse-to-fine Region-Adapative Featural Tokenization) - систему, основанную на данных ДИНО, которая изучает смешанные представления в зависимости от изображения путем использования самоконтроля за тем или иным видом внимания к селективному уточнению информативных регионов при сохранении жесткого контекста наряду с симметричным межмасштабным регулярным