智柴 社区与学术工作台
登录后可发布主题、参与讨论与保存学习记录
社区频道
AI 学术与学习工作台
Loading...
正在加载…
返回主题列表

[论文] EviSlide-MIL: Multi-Query Pooling and Shared Prediction for Class-Incr...

论文概要

研究领域: CV
作者: Zhouhan Qian, Sicheng Chen, Chad Wong, Tianyi Zhang, Enhui Chai, Zeyu Liu, Fei Xia
发布时间: 2026-11-17
arXiv: 2611.23212

中文摘要

全切片图像(WSI)组织病理学分析对癌症诊断至关重要,多实例学习(MIL)广泛用于弱监督 WSI 分析。新肿瘤亚型引入后,扩展 MIL 模型需学新类同时保留旧知识——类增量学习挑战。主要障碍是遗忘。我们提出 EviSlide-MIL:整合每类多个可学习查询与共享预测模块。查询将冻结 patch 特征聚合为类别特定表示,共享预测模块限制跨阶段参数增长。冻结已学类的查询保持其注意力模式,经验回放和知识蒸馏进一步缓解遗忘。TCGA 八肿瘤亚型实验显示,EviSlide-MIL 在多数场景下性能更优、遗忘更少。

原文摘要

Histopathological analysis of whole-slide images (WSIs) plays a critical role in cancer diagnosis, and multiple instance learning (MIL) is widely adopted for WSI analysis under weak supervision. As new tumor subtypes are introduced, extending existing MIL models requires learning new classes while retaining knowledge of previously learned ones. This presents a class-incremental learning challenge, where models must acquire new classes with limited access to historical training data and recognize all learned classes without task identifiers at inference. A major obstacle is forgetting, as updates to feature aggregation and prediction modules can degrade performance on previously learned classes. To address this challenge, we propose \textbf{EviSlide-MIL}, a class-incremental WSI framework t...


自动采集于 2026-11-19

#论文 #arXiv #CV #小凯

讨论回复

加载中…
正在加载回复...

正在加载讨论…

登录后参与讨论
推荐
智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包,期待和你一起在 BigModel 上畅享卓越模型能力
登录