自然语言理解（NLU）研究中的核心问题是高性能是否展示了模型的强大推理能力。我们提出了一系列广泛的受控实验，其中预先接受了训练的语言模型被暴露于经历特定的损坏变换的数据。转换涉及去除特定词类的实例，并且经常导致非感性句子。我们的研究结果表明，当模型在损坏的数据上进行微调或测试时，大多数胶水任务的性能仍然很高，表明模型即使在非感性背景下也可以利用其他线索进行预测。我们所提出的数据转换可以用作评估特定数据集构成适当测试设备的诊断工具，用于评估模型的语言理解能力。
translated by 谷歌翻译
In the clinical setting of histopathology, whole-slide image (WSI) artifacts frequently arise, distorting regions of interest, and having a pernicious impact on WSI analysis. Image-to-image translation networks such as CycleGANs are in principle capable of learning an artifact removal function from unpaired data. However, we identify a surjection problem with artifact removal, and propose an weakly-supervised extension to CycleGAN to address this. We assemble a pan-cancer dataset comprising artifact and clean tiles from the TCGA database. Promising results highlight the soundness of our method.
translated by 谷歌翻译
在整个幻灯片成像中，基于苏木精和曙红（H＆E）（H＆E）和免疫组织化学（IHC）的常用染色技术染色了组织景观的不同方面。在检测转移的情况下，IHC提供了一个独特的读数，病理学家很容易解释。但是，IHC是一种更昂贵的方法，在所有医疗中心都不可用。因此，使用深层神经网络从H＆E生成IHC图像成为一种有吸引力的替代方法。诸如Cyclegans之类的深层生成模型学习两个图像域之间的语义一致映射，同时模拟每个域的纹理特性。因此，它们是污渍转移应用程序的合适选择。但是，它们仍然完全无监督，并且没有在染色转移中执行生物学一致性的机制。在本文中，我们提出了以歧视者区域形式向自行车行驶的扩展。这使Cyclegan可以从未配对的数据集中学习，此外，还希望对象有部分注释，希望它能强制执行一致性。我们在整个幻灯片图像上介绍了用例，其中IHC染色为转移细胞提供了实验生成的信号。我们证明了我们的方法优于先前的艺术在两个数据集上对组织病理学瓷砖的污渍转移中的优越性。我们的代码和型号可在https://github.com/jcboyd/miccai2022-Roigan上找到。
translated by 谷歌翻译
在本文中，我们提出了一个空间整流器，以估计倾斜图像的表面正态。倾斜图像特别令人感兴趣，因为更多的视觉数据是由任意定向的传感器（例如车身/机器人安装的摄像机）捕获的。现有方法在预测表面正常的方面表现出有限的性能，因为它们是使用重力对准图像进行训练的。我们的两个主要假设是：（1）视觉场景布局指示重力方向； （2）并非所有表面都由学习数据的结构化分布而被学习的估计量平均表示，因此，每个倾斜图像的转换都比其他图像更响应于学习估计器。我们设计了一个空间整流器，该空间整流器被学会地将倾斜图像的表面正态分布转换为与重力对齐的训练数据分布相匹配的整流图像。除空间整流器外，我们提出了一种新型的截断角损失，在较小的角度误差和与异常值的稳健性下提供了更强的梯度。最终的估计器优于最新方法，包括扫描仪和NYUV2上的数据增强基线，而且在一个名为TILT-RGBD的新数据集上，其中包括相当大的滚动和俯仰摄像头运动。
translated by 谷歌翻译