Tag · 3 篇

层次分类

分布视觉语言模型1自监督与表征学习1医学影像与生物视觉1

Taxonomy-Aware Representation Alignment for Hierarchical Visual Recognition with Large Multimodal Models

把生物基础模型经层次对比学习得到的表征，通过中间层特征对齐注入 LMM，为视觉研究者提供了一种无需重训即可让多模态模型获得分类学结构先验、并泛化到新类别的可复用对齐手段。

Hier-COS: Making Deep Features Hierarchy-aware via Composition of Orthogonal Subspaces

Hier-COS 提供了一种将预训练骨干网络（如 ViT）的冻结特征转换为层次感知表征的通用框架，其正交子空间组合机制可被视觉研究者复用于需要结构化语义先验的细粒度分类任务。

Every Error has Its Magnitude: Asymmetric Mistake Severity Training for Multiclass Multiple Instance Learning

把类别间的临床严重程度编码成层次结构与严重度加权交叉熵，可直接迁移到任何多类医学图像分类（如分级诊断、病变分型）中，用来压低高危误判；配套的非对称 Mikel's Wheel 指标也提供了一个可复用的、按错误严重度加权的评测方式。