CRAG数据库

最新推荐文章于 2025-04-17 20:48:28 发布
最新推荐文章于 2025-04-17 20:48:28 发布
阅读量1k 收藏 11
点赞数 5
分类专栏： 深度学习 文章标签： 深度学习 人工智能 数据集 语义分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43518984/article/details/135047478
版权

CRAG数据库

（the colorectal adenocarcinoma gland dataset）

  • 背景：一个大规模的结直肠腺癌数据集，是一个医学数据集。

  • 内容：共有来自38个WSI（WSI代表全切片成像（Whole Slide Imaging），是数字病理学领域中的一项技术）的213张H&E染色（H&E染色是病理学中最常用的染色技术之一，它能够提供关于组织结构和细胞形态的重要信息。通过H&E染色，组织学家和病理学家能够观察并分析细胞、组织和器官的形态、结构和病变，从而进行疾病诊断和研究。）的结直肠腺癌图像，这些图像来自考文垂大学医院中不同的患者，所有的38个WSI大部分大小为1512*1516，且都具有相应的实例级专家标注；

    ​ 包括173张训练图像和40张不同癌症等级的测试图像。

  • 标注特点：实例级标注

  • 应用：评价视觉算法在医学场景语义理解的主要任务中的性能

RAG基准性能测试：CRAG
Criss@陈磊
12-17 141
CRAG是Comprehensive RAG Benchmark，一个丰全面的事实问题解答基准，主要是为了推动RAG的发展而设计的。CRAG除去提供了一套Question&Answer配对的数据以外，还提供模拟网络和知识图谱搜索的API。CRAG的设计囊括了五个领域和八个问题类别的各种问题，反映了从流行到长尾的不同实体流行度（我也不知道他为什么这么描述，from popular to long-tail），以及从数年到数秒的时间动态。数据集的详细描述。
CRAG:全面检验检索增强生成能力的新基准
步子哥的博客
07-21 726
在深入CRAG之前,我们需要先了解RAG技术的基本概念和工作原理。检索增强生成(RAG)是一种通过补充信息来提升语言模型回答能力的技术。RAG的核心思想是:在生成答案时,系统会先从知识库中检索相关信息,然后将这些信息与用户的查询结合,形成一个增强的提示(augmented prompt),最后由语言模型基于这个增强提示生成最终答案。提高模型的性能和可靠性增强模型的鲁棒性使模型能够访问和精确操作知识为模型决策提供来源依据实现模型知识的动态更新。
Advanced RAG 10：引入检索评估、知识精练的 CRAG 技术详解
Baihai_IDP的博客
07-10 1188
图 1：这些例子表明，低效的检索器（retriever）容易引入大量无关的信息，会阻碍生成器（generators）获取准确的知识，甚至可能将其引入歧途。：本文介绍的 CRAG 技术通过引入轻量级检索评估机制和知识精炼算法，试图解决传统检索增强生成（RAG）方法在处理复杂查询语句时存在的问题（包括检索结果不够精确、引入无关信息等），这些问题会影响模型回答的质量。而对于篇幅较长的文档，则依据其总长度，灵活切分为由数个句子组成的多个更小单元，确保每个小单元都封装一条独立完整的信息。
KDD Cup 2024 大模型赛题发布！
Datawhale
04-12 873
Datawhale赛事KDDCup2024，数据挖掘顶会赛题想象一下，你希望使用一个AI助手来获取你最喜欢的运动队的最新消息，但是你得到的是去年的比赛结果。或者当你询问一个你非常喜欢的小众电影时，却得不到有意义的答案。这些都是大语言模型生成“幻觉”的经典例子，即大型语言模型（LLM）提供过时或不正确的信息。愿意与我们一同努力，帮助LLM（大型语言模型）减少幻觉，提供准确的回答吗？快来参加M...
[paper]基于混合网络的WSI自动分割
LiuLongLeg的博客
07-17 555
A hybrid network for automatic hepatocellular carcinoma segmentation in H&E-stained whole slide images Year: 2021, Author: Wang X, Fang Y, Yang S et al. Journal Name: Medical Image（H-INDEX = 135） Link: 论文地址（Sci-Hub） 0. Summary This paper uses three-bra
【论文笔记】Pairwise Relation Learning for Semi-supervised Gland Segmentation
weixin_43911462的博客
09-15 1127
MICCAI-2020 摘要        本文中，作者提出了基于成对关系的半监督模型$PSR^2$用于组织学图像上的腺体分割。该模型由分割网络（S-Net）和成对关系网络（PR-Net）组成。S-Net在标记数据上进行训练以进行分割，而PR-Net在无监督方式下标记和未标记数据上进行训练，以通过利用特征空间中每对图像之间的语义一致性来增强其图像表示能力。由于两个网络共享它们的编码器，因此PR-Net学习的图像表示能力可以转移到S-N
药物分子生成黑科技：VAE-GAN架构在PyTorch中的CRAG算法实现与分子有效性验证.pdf
02-21
数据集可以从公共数据库中收集，例如ChEMBL、ZINC等，这些数据库提供了大量药物分子结构信息，通常以SMILES字符串的形式表示。数据预处理包括将SMILES字符串转换为数值表示、序列填充和数据集划分等步骤。数值表示的...
Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
南七小僧的学海无涯
08-09 850
RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的RAG问答链路。增强训练REALM引入了知识检索器增强大模型预训练，以改进大模型的问答质量和可解释性。增强微调RA-DIT实现了对大模型和检索器的双指令微调，RAFT。
大模型——RAG架构大揭秘：三种方式让AI回答更精准，更懂你
最新发布
04-17 34
但如果问题超出了它的知识范围，它可能就无能为力了。而RAG技术就像是一个“开卷考试”的学生，它不仅可以利用自己学到的知识，还能随时查阅一个巨大的“知识库”，从中找到最相关的资料，然后结合这些资料生成一个更准确、更丰富的回答。这就像是在一个巨大的图书馆里，你只需要说出你想要找的书的主题，系统就能立刻帮你找到最相关的几本书，并且还能告诉你哪些章节是你最需要看的。它的工作方式是这样的：当你问它一个问题时，它会从知识库中找出一些和你的问题最相似的文档，然后把这些文档和你的问题拼接在一起，扔给语言模型去生成回答。
从传统RAG到Graph RAG：知识图谱技术驱动下的链路转型与融合策略[DB-GPT、OpenSPG、Tugraph三合一]
丨汀、的博客
09-10 757
从传统RAG到Graph RAG：知识图谱技术驱动下的链路转型与融合策略
随机森林图像matlab代码-StepForest:使用局部强度和纹理特征分割结肠组织学图像中的腺体的机器学习方法
05-27
随机森林图像matlab代码步步森林 StepForest：使用局部强度和纹理特征分割结肠组织学图像中腺体的机器学习方法 为在结肠组织学图像中进行腺体分割而创建的基于机器学习的图像分割算法，可以针对其他图像分割问题进行修改。 该算法使用一种新颖的分层随机森林方法，其中使用3个级别的随机森林beeen来进行更好的分割。 为了测试该算法，使用了GlaS @ MICCAI'2015：腺体分割挑战赛（）的数据集。 可在上述网站的“下载”标签下下载。 使用的第三方工具箱/代码（由相应作者提供的许可控制）：- haralickTextureFeatures由Rune Monzel（） Matlab的污点归一化工具箱，作者是Warwick大学的Nicholas Trahearn和Adnan Khan（），这些第三方工具箱/代码的源代码已上传到“工具箱”文件夹下。 可以下载最新版本，并可以从给定的网站获取许可证信息 这项研究是由Rupali Khatun进行的。 这项工作最初是在加尔各答的印度统计研究所（ISI）的电子和通信科学部门（ECSU）以及印度统计研究所（ISI）的印度模式识别和人工智能部门（
结直肠癌TCGA+GEO数据库临床资料
10-18
结直肠癌TCGA+GEO数据库临床资料 实时更新TCGA和GEO中结直肠癌的数据
iMeta | 山一大李乐平/种微识别胃癌铜死亡特征相关分子亚型
刘永鑫的博客——宏基因组公众号
05-05 897
点击蓝字 关注我们胃癌铜死亡特征分子亚型的临床特征及分子景观iMeta主页：http://www.imeta.science研究论文●原文链接DOI: https://doi.org/10.1002/imt2.190●2024年4月5日，山东第一医科大学附属省立医院李乐平、种微团队在iMeta在线发表了题为 “Clinical features and molecular landscape ...
Enhancing gland segmentation in colon histology images using aninstance-aware diffusion model
weixin_45622568的博客
02-27 1415
使用实例感知扩散模型增强结肠组织学图像中的腺体分割 摘要： 在病理图像分析中，确定结肠组织学图像中的腺体形态对确定结肠癌的分级至关重要。然而，人工分割腺体是极具挑战性的，有必要开发自动分割腺体实例的方法。近年来，由于强大的噪声到图像去噪管道，扩散模型已成为计算机视觉研究的热点之一，并在图像分割领域得到了探索。本文提出了一种基于扩散模型的实例分割方法，可以实现自动gland实例分割。 首先，我们将结肠组织图像的实例分割过程建模为基于扩散模型的去噪过程。其次，为了恢复去噪过程中丢失的细节，我们使用实例感知
如何做场景RAG问答应用的评测?
m0_59164520的博客
09-06 1170
大型语言模型 (大语言模型) 改变了自然语言处理 (NLP) 任务的格局，尤其是问答 (QA) [27,15,14]。尽管取得了进展，幻觉问题仍然是一个重大挑战；大语言模型可能生成缺乏事实准确性或基础的答案[19, 9]。研究表明，GPT-4 在回答涉及缓慢变化或快速变化事实的问题时的准确率低于 15%[25]；即使对于稳定（不变）的事实，GPT-4 在回答涉及躯干到尾巴（不太受欢迎）实体的问题时的准确性也低于 35% [21]。因此，克服幻觉成为构建可靠的 QA 系统的首要任务[9, 8]。
iMeta | 广东省人民医院张学礼等更新结直肠癌生物标志物数据库CBD2
刘永鑫的博客——宏基因组公众号
12-22 1125
点击蓝字 关注我们CBD2：一个功能性的结直肠癌生物标志物数据库iMeta主页：http://www.imeta.science研究论文●原文链接DOI: https://doi.org/10.1002/imt2.155●2023年11月27日，广东省人民医院张学礼、苏州大学胡广、瑞典厄勒布鲁大学张宏和瑞典林雪平大学孙晓峰等团队在iMeta在线联合发表了题为 “CBD2: A function...
结直肠癌数据集（不定期更新）
u011559552的博客
10-17 2538
结直肠癌（包括结肠癌和直肠癌）：结直肠癌在全球范围内的发病率和死亡率都很高，是男性和女性中常见的恶性肿瘤之一。
基于YOLO格式的宫腔镜图像良恶性病变目标检测数据集
ZSW1218的博客
01-24 456
图片数量: 总计：47390 张。训练集 33173张, 验证集 9478 张, 测试集 4739 张 标注文件格式: YOLO的txt格式可以直接用于模型训练。
TCGA 数据库基因表达数据的下载：最大的公开肿瘤数据库，可用于各种深度学习项目
weixin_49214410的博客
05-15 1471
TCGA 数据库基因表达数据的下载：最大的公开肿瘤数据库，可用于各种深度学习项目
久菜盒子|医学大数据1| 癌症公共数据库盘点
weixin_68126662的博客
04-04 1338
提供一些知名的用于癌症研究的公共数据库及相关资源的名称和简要描述，可以自行通过搜索引擎查找它们的官方网址
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值