{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,13]]，“日期-时间”：“2024-09-13T13:19:53Z”，“时间戳”：1726233593256}，“发布者位置”：“查姆”，“引用-计数”：23，“出版商”：“施普林格自然瑞士”，“isbn-type”：[{“类型”：”打印“，“值”：“9783031456756”}，{“类型”：“电子”，“值”：“9783031456763”}]，“许可证”：[{“start”：{“date-parts”：[[2023,10,15]]，“date-time”：“2023-10-15T00:00:00Z”，“timestamp”：1697328000000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/researters\/text-and-data-mining”}，{“tart”：“date-ports”：[2023,10,15]]，“日期时间”：“2023-10-15T00:00:00Z”，“时间戳”：1697328000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2023,10,15]]，“date-time”：“2023-10-15T00:00:00Z”，“timestamp”：169732.8万}：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2023,10,15]]，“date-time”：“2023-10-15T00:00:00Z”，“timestamp”：1697328000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“http:\/\www.sprinternature.com//gp\researters//text-and-data-miling”}]，“content-domain”：{“域”：[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2024]]}，”DOI“：”10.1007\/978-3-031-45676-3_25“，”type“：”book-chapter“，”created“：{”date-part“：[2023,10,14]，”date-time“：”2023-10-14T08:02:16Z“，”timestamp“：1697270536000}”，“page”：“243-252”，“update-policy”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“source”：“Crossref”、“is-referenced-by-count”：0，“title”：[“具有\u00a0Weakly Supervised Learning的\u00a 0CT图像中的骨损伤识别网络（BLIN）”]，“前缀”：“10.1007”，《作者》：[{“给定”：“科豪”，“家庭”：“登”，“序列”：“第一”，“从属关系”：[]}，{“已知”：“Bin”，“家庭”：“王”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Shanshan”，“family”：“Ma”，”sequence“：”additional“：[[2023,10,15]]}，”参考“：[{“key”：“25_CR1”，“doi-asserted-by”：“crossref”，”unstructured“：“Buda，M.，Maki，A.，Mazurowski，M.A.：卷积神经网络中类不平衡问题的系统研究。neural Netw.106249\u2013259（2018）”，“doi”：“10.1016\/j.neunet.2018.07.011”}，{“key”：”25_CR2“unstructure”：“Byrd，J.，Lipton，Z.：重要性加权在深度学习中的作用是什么？摘自：机器学习国际会议，第872\u2013881页。PMLR（2019）“}，{”key“：“25_CR3”，”doi-asserted-by“：”publisher“，”first page“：”321“，”doi“：”10.1613\/jair.953“，”volume“：：”16“，”author“：”NV Chawla“，”year“：”2002“，”unstructured“：”Chawla，N.V.，Bowyer，K.W.，Hall，L.O.，Kegelmeyer，W.P.：SMOTE：合成少数过采样技术。J.Artif.Intell.Res.16，321\uu 2013357（2002）“，《新闻标题》：”J。工件。智力。研究“}，{“key”：“25_CR4”，“doi-asserted-by”：“crossref”，“unstructured”：“Cui，Y.，Jia，M.，Lin，T.-Y.，Song，Y.和Belongie，S.：基于有效样本数的分类损失。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.9268\u20139277（2019）”，“doi”：“10.1109\/CVPR.2019.00949”}非结构化”：“Drummond，C.，Holte，R.C.等人：C4。类别不平衡和成本敏感性：为什么欠采样胜过过采样。In:Workshop on Learning from Imbalanced Dataset II，vol.11，pp.1\u20138（2003）“}，{“key”：“25_CR6”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。摘自IEEE Conference on Computer Vision and Pattern recognition，pp.770\u2013778（2016）”，“doi”：“10.1109\/CVPR.2016.90“}，{“key”：“25_CR7”，“doi-asserted-by”：“crossref”，“unstructured”：“Huang，C.，Li，Y.，Change Loy，C.，Tang，X.：学习非平衡分类的深度表示法。摘自：IEEE计算机视觉和模式识别会议论文集，第5375\u20135384页（2016）”，“doi”：“10.1109\/CVPR.2016.580”}，}，“key“：”25_CR8“，”非结构化”：“Kendall，M.G.等人：先进的统计学理论。卷。1.先进的统计学理论，vols。1，1（第4版）（1948年）“}，{”key“：”25_CR9“，”doi-asserted-by“：”crossref“，”unstructured“：”Lin，T.-Y.，Doll\u00e1r，P.，Girshick，R.，He，K.，Hariharan，B.，Belongie，S.：目标检测的特征金字塔网络。摘自：IEEE计算机视觉和模式识别会议论文集，第2117\u20132125页（2017）“，”doi“：”10.1109\/CVPR.2017.106“}，｛“key”：“25_CR10”，“doi asserted by”：“crossref”，“nonstructured”：“Lin，T.-Y.，Goyal，P.，Girshick，R.，He，K.，Doll\u00e1r，P.：密集物体检测的焦点损失。In：《IEEE国际计算机视觉会议录》，pp.2980\u20132988（2017）”，“doi”：“10.1109\/ICCV.2017.324”｝，｛“key”：“25_CR11”，“nonstructured”：“More，A.：关于在非平衡数据集中改进分类性能的重采样技术的调查。arXiv预打印arXiv:1608.06048（2016）”}，{“issue”：“8”，“key”：“25_CR12”，“doi-asserted-by”：“publisher”，“first page”：”2595“，“doi”：“10.1109\/TMI.2020.295508”，”volume“39”，“author”：“X Ouyang”，“year”：“2020”，“unstructured”：“Ouyang，X.，et al.：社区获得性肺炎Covid-19诊断的双抽样注意网络。IEEE Trans.Med.Imaging 39（8），2595\u20132605（2020）”，“期刊标题”：“IEEE Trans.Med.Imagion”}，{“key”：“25_CR13”，“unstructured”：“Ren，M.，Zeng，W.，Yang，B.，Urtasun，R.：学习重新权衡稳健深度学习的示例。摘自：机器学习国际会议，第4334\u20134343页。PMLR（2018）“}，{“key”：“25_CR14”，“series title”：“计算机科学讲义”，“doi断言”：“publisher”，“首页”：“467”，“doi”：“10.1007\/978-3-319-46478-7_29”，“volume title”：“Computer Vision\u2013 ECCV 2016”，“author”：“L Shen”，“year”：“2016”，“nonstructured”：“Shen，L.，Lin，Z.，Huang，Q.：用于有效学习深度卷积神经网络的中继反向传播。收录人：Leibe，B.，Matas，J.，Sebe，N.，Welling，M.（编辑）ECCV 2016。LNCS，第9911卷，第467\u2013482页。查姆施普林格（2016）。https:\/\/doi.org\/10.1007\/978-3-319-46478-7_29“}，{”key“：”25_CR15“，”doi-asserted-by“：”crossref“，”unstructured“：”Tan，J.，Lu，X.，Zhang，G.，Yin，C.，Li，Q.：均衡损失v2：一种新的长尾目标检测梯度平衡方法。《IEEE计算机视觉和模式识别会议论文集》，第1685\u20131694（2021）页，“DOI”：“10.1109\/CVPR46437.2021.00173”}，{“key”：“25_CR16”，“unstructured”：“Van Horn，G.，Perona，P.：魔鬼在尾巴：野外细粒度分类。arXiv预印本arXiv:1709.01450（2017）”}非结构化“：”Wang，Y.-X.，Ramanan，D.，Hebert，M.：学习建模尾巴。In:Advances In Neural Information Processing Systems 30（2017）“}，{”key“：”25_CR18“，”doi-asserted-by“：”crossref“，”unstructured“：”Wei，Y.，Xiao，H.，Shi，H.、Jie，Z.、Feng，J.、Huang，T.S.：重温扩展卷积：弱语义和半监督语义分割的简单方法。收录于：IEEE计算机视觉和模式识别会议记录，第7268\u20137277页（2018）“，”DOI“：”10.1109\/CVPR.2018.00759“}，{“key”：“25_CR19”，“series-title”：“计算机科学讲义”，“DOI-asserted-by”：“publisher”，“first page”：”3“，”“DOI”：“10.1007\/978-3-030-01234-2_1”，”volume-title“：”计算机视觉\u2013 ECCV 2018“，”作者：“S Woo”，“year”：“2018”，“unstructured”：“Woo，S.，Park，J.，Lee，J.-Y.，Kweon，I.S.：CBAM：卷积块注意模块。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11211卷，第3\u201319页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01234-2_1“}，{”key“：”25_CR20“，”series-title“：”计算机科学讲义“，”doi-asserted-by“：”publisher“，”首页“：”247“，”doi“：”10.1007\/978-300-58558-7_15“，”volume-title“：“Computer Vision\u2013 ECCV 2020”，”author“：”L Xiang“，”年份“：”2020“，”非结构化“：”Xiang，L.，Ding，G.，Han，J.：向多位专家学习：长尾分类的自定步长知识提取。收录人：Vedaldi，A.、Bischof，H.、Brox，T.、Frahm，J.-M.（编辑）ECCV 2020。LNCS，第12350卷，第247\u2013263页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-58558-7_15“}，{“key”：“25_CR21”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，B.，Khosla，A.，Lapedriza，A.，Oliva，A.和Torralba，A.：学习区分性本地化的深层特征。摘自：IEEE计算机视觉和模式识别会议记录，第2921\u20132929页（2016）”，“doi”：“10.1109\/CVPR.2016.319“}，{“key”：“25_CR22”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，B.，Cui，Q.，Wei，X.-S.，Chen，Z.-M.：BBN：具有长尾视觉识别累积学习的双边分支网络。摘自：IEEE\/CVF计算机视觉和模式识别会议论文集，pp.9719\u20139728（2020）”，“doi”：“10.1109\/CVPR42600.2020.00974“}，{“key”：“25_CR23”，“doi-asserted-by”：“publisher”，“unstructured”：“周，Q.，邹，H.，王，Z.：通过关系学习和知识提炼识别长尾多标签视网膜疾病。收录于：医学图像计算和计算机辅助干预-MICCAI 2022:第25届国际会议，新加坡，2013年9月18日，2022年，会议记录，第二部分，第709\u2013718页。查姆施普林格（2022）。https:\/\/doi.org\/10.1007\/978-3-031-16434-7_68“，”doi“：”10.1007\/9783-031-16434-7_68“}]，”container-title“：[”计算机科学讲义“，”医学成像中的机器学习“]，”原始标题“：[]，”language“：”en“，”link“：[{”URL“：”https:\//link.springer.com/content\/pdf\/10.10007\/978 3-031-45676-3_25“，”content-type“：”未指定“，”内容版本“：”vor“，”预期应用程序“：”相似性检查“｝]，”存放“：｛”日期部分“：[[2024,3,13]]，”日期时间“：”2024-03-13T11:52:39Z“，”时间戳“：1710330759000｝，”分数“：1，”资源“：｛”主要“：｛”URL“：”https:\/\/link.springer.com\/10.1007\/978-3-031-45676-3_25“｝｝，”副标题“：[]，”短标题“：[]，”发布“：｛”日期部分“：[[2023,10,15]]}，“ISBN“：[”9783031456756“，”97830.31456763“]，”references-count“：23，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-031-45676-3_25“，”relation“：{}，”ISSN“：【”0302-9743“，”1611-3349“]，“ISSN-type”：[{“type”:“print”，“value”：“0302-974”}，{“类型”：“electronic”，“值”：“1611-3399”}]，“主题”：[]，“发布”：{“日期部分”：[[2023,10,15]]}，“断言”：[{“值”：“2023年10月15日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“章节历史”}}，{“value”：“MLMI”，“order”：1，“name”:“conference_acrombit”，“table”：“conference-Acromnim”，“groups”:{“name”：“ConferenceInfo”，“标签”：“会议信息”}}}、{“值”：“”医学成像机器学习国际研讨会“，”order“：2，”name“：”conference_name“，”label“：”ConferenceName“，”group“：”{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“不列颠哥伦比亚省温哥华”，“order”：3，“name“：value“：”Canada“，”order“：4，”name“：”conference_country“，”label“：”会议国家“，”group“：“：”conference_start_date“，”label“：”会议开始日期“，”group“：“”会议编号“，”组“：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“mlmi-med2023”，“order”：10，“name”:“Conference_id”，“标签”：“会议id”，“group”：{”name“：”ConferenceInformo“，”label“：”会议信息“}}”，{”value“：”https:\\/sites.google.com/view\/mlmi2023？pli=1“，”order“：11，”name“conferent”：“confer”ence_url“，”标签“：”会议URL“，”group“：{”name“：”ConferenceInfo“，”label“：”会议信息“}}，{”value“：”Double-blind“，”order“：1，”name“:”type“，“label”：“type”，“group”：{“name”：“ConfEventPeerReviewInformation”，“lable”：“Peer Review信息（由会议组织者提供）”}}、{“value”：“Microsoft CMT”，“order”：2，“name”:“Conference_management_system”，“label“：”会议管理系统“，”group“：{“name”：“ConfEventPeerReviewInformation”，“label”：“Peer Review Information（由会议组织者提供）”}}，{“value”：“139”，“order”：3，“name”:“number_of_submissions_sent_for_Review”同行评议信息（由会议组织者提供）“}}，{“value”：“93”，“order”：4，“name”：“number_of_full_papers_accepted”，“label”：“已接受的完整论文数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“label”：”同行评议资讯（由会议主办方提供）“{}}number_of_short_papers_accepted”，“label”：“接受的短文数量”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝，｛“value”：“67%-该值由公式“接受的全文数量/发送供评审的提交数量*100”计算然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝，｛“value”：“4”，“order”：8，“name”：“average_number_of_paers_per_Review”，“label”：“每位评审员的平均论文数”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝}，｛“value”：“No”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及的外部评审员”，“group”：｛“name”：“ConfEventPeerReviewInformation”，“label”：“同行评审信息（由会议组织者提供）”｝｝