XiaoMi-AI文件搜索系统
World File Search System密集的
通过生成伪标签
密集的检索方法在多语言信息检索中表现出了有希望的表现，其中查询和文档可以使用不同的语言。然而，密集的检索器通常需要大量的配对数据，这在多语言方案中带来了更大的挑战。本文介绍了UMR，这是一个未经任何配对数据的训练的ultialual ultilitual contriever r etriever。我们的方法利用了多语言语言模型的序列估计功能，以获取用于培训密集猎犬的伪标签。我们提出了一个两阶段的框架，该框架迭代地改善了多语言密集猎犬的功能。两个基准数据集的实现结果表明，UMR的表现优于监督的基线，展示了训练Mul-listingual语言检索器而没有配对数据的潜力，从而增强了其实用性。1
MRI脑肿瘤分割，使用具有密集编码器块和残留解码器块的3D U-NET
磁共振成像（MRI）自动脑肿瘤分割的主要任务是自动分割脑肿瘤水肿，腹部水肿，内窥镜核心，增强肿瘤核心和3D MR图像的非增强肿瘤核心。由于脑肿瘤的位置，大小，形状和强度差异很大，因此很难自动分割这些脑肿瘤区域。在本文中，通过结合Densenet和Resnet的优点，我们提出了一个新的3D U-NET，具有密集的编码器块和残留的解码器块。我们在编码器部分中使用了密集的块和解码器部分中的残留块。输出特征图的数量随编码器的收缩路径中的网络层增加而增加，这与密集块的特征一致。使用密集的块可以减少网络参数的数量，加深网络层，增强特征传播，减轻消失的梯度和扩大接收场。在解码器中使用残差块来替换原始U-NET的卷积神经块，这使网络性能更好。我们提出的方法在BRATS2019培训和验证数据集上进行了培训和验证。我们在BRATS2019验证数据集上分别获得了整个肿瘤，肿瘤核心和增强肿瘤核心的骰子得分，分别为0.901、0.815和0.766。我们的方法比原始的3D U-NET具有更好的性能。我们的实验结果表明，与某些最新方法相比，我们的方法是一种竞争性的自动脑肿瘤分割方法。