阿小铨-CSDN博客

原创【学习笔记】医学视觉表征Contrastive Learning of Medical Visual Representations from Paired Images and Text

学习医学图像（如X射线）的视觉表示是医学图像理解的核心，但由于缺乏人类注释，其进展受到阻碍。现有的工作通常依赖于从ImageNet预训练传递的微调权重，这是次优的，因为图像特征截然不同，或者从与医学图像配对的文本报告数据中提取基于规则的标签，这是不准确的，很难推广。同时，最近的几项研究显示，从自然图像中进行无监督对比学习取得了令人兴奋的结果，但我们发现这些方法在医学图像上收效甚微，因为它们具有很高的类间相似性。我们提出了ConVIRT。

2024-03-14 19:23:39 1675 1

原创【学习笔记】CLIP代码解读

CLIP代码解读学习

2023-10-18 11:20:55 1466 1

原创【学习笔记】分子3D构象生成的扩散模型GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation

图表示学习在从分子的各种任务中为分子建模取得了巨大成功，其中分子通常被表示为原子键图。然而，分子的一种更内在、更具信息性的表示是3D几何，也被称为构象，其中原子被表示为它们的笛卡尔坐标。如何预测稳定的分子构象仍然是一个具有挑战性的问题。基于分子动力学（MD）或马尔可夫链蒙特卡罗（MCMC）的传统方法在计算上非常昂贵，尤其是对于大分子。最近，机器学习方法取得了重大进展，特别是在深度生成模型方面。在本文中，我们提出了一种称为GEODIFF的模型，这是一种基于去噪扩散模型的原则性概率框架。

2023-09-04 18:52:44 1236 1

原创【学习笔记】3D分子构象生成 Direct Molecular Conformation Generation

1 摘要分子构象生成旨在生成分子中所有原子的三维坐标，是生物信息学和药理学中的一项重要任务。以前的方法通常首先预测分子的原子间距离、原子间距离的梯度或局部结构（如扭转角），然后重建其三维构象。如何在没有上述中间值的情况下直接生成构象还没有得到充分的探索。在这项工作中，我们提出了一种直接预测原子坐标的方法：（1）损失函数对坐标的旋转平移和对称原子的排列是不变的；（2）新提出的模型自适应地聚合键和原子信息，并迭代地细化生成的构象的坐标。我们的方法在GEOM-QM9和GEOM Drugs数据集上获得了最佳

2023-09-04 18:51:45 373 1

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

原创 【学习笔记】医学视觉表征Contrastive Learning of Medical Visual Representations from Paired Images and Text

原创 【学习笔记】CLIP代码解读

原创 【学习笔记】分子3D构象生成的扩散模型GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation

原创 【学习笔记】3D分子构象生成 Direct Molecular Conformation Generation

空空如也

空空如也

原创【学习笔记】医学视觉表征Contrastive Learning of Medical Visual Representations from Paired Images and Text

原创【学习笔记】CLIP代码解读

原创【学习笔记】分子3D构象生成的扩散模型GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation

原创【学习笔记】3D分子构象生成 Direct Molecular Conformation Generation