Tag · 5 篇
多实例学习
从通用到特定：动态知识引导的多实例学习用于少样本全切片图像分类
Universal-to-Specific: Dynamic Knowledge-Guided Multiple Instance Learning for Few-Shot Whole Slide Image Classification
将通用病理视觉语言知识动态实例化为切片特异性的图像块级特征，为少样本全切片图像分类提供可复用的知识检索与对齐机制。
将预训练视觉 Transformer 转变为端到端病理全切片图像模型以用于生存预测
Turning Pre-Trained Vision Transformers into End-to-End Histopathology Whole Slide Image Models for Survival Prediction
把预训练 ViT 直接改造成端到端全切片图像模型，省去两阶段流程中的离线特征提取与 MIL 聚合，且不增加参数；对做病理或超大分辨率图像分析的人，这是一种可复用的「免额外参数、直接吃整张组织区域」的改造思路。
从噪声监督中学习：面向弱监督视频异常检测的去噪-纠偏框架
Learning from Noisy Supervision: A Denoising-Debiasing Framework for Weakly Supervised Video Anomaly Detection
把「高训练损失的样本即噪声」这一观察做成动态丢弃率，再用视觉语言模型对被丢弃片段做二次判别，可作为一种即插即用的去噪-纠偏模块迁移到任何基于 MIL 的视频时序定位任务（如弱监督动作定位、视频级标签的时序 grounding）。
FBTA：通过特征桥接与翻译对齐实现单GPU端到端千兆像素WSI分类
FBTA: Enabling Single-GPU End-to-End Gigapixel WSI Classification with Feature Bridging and Translation Alignment
提出一种在单张24GB GPU上端到端训练WSI分类的MIL框架，通过特征桥接和翻译对齐解决冻结特征提取器带来的语义鸿沟，可复用于其他需要端到端训练的大图像分类任务。
面向多实例学习全切片图像分类的对比跨袋增强
Contrastive Cross-Bag Augmentation for Multiple Instance Learning-based Whole Slide Image Classification
C2Aug 的跨袋增强与袋级/组级对比学习框架可迁移到其他弱监督密集预测任务（如组织病理分割、遥感场景分类），用于提升伪包多样性和特征判别性。