A Multimodal Multi-Agent Framework for Radiology Report Generation
机构 * University of North Texas(北卡罗来纳州立大学)
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
AI 大模型
检索增强生成、向量检索、知识库问答和面向大模型的搜索系统。
机构 * University of North Texas(北卡罗来纳州立大学)
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
机构 * The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments Prepared and submitted in 2024
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments 17 Pages, 1 figure, 7 tables
机构 * Peking University(北京大学) ; Huawei Cloud BU(华为云业务单元)
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.IR
Comments Published as a conference paper at SIGIR 2025; 11 pages
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.CL
Comments Preprint. Under review
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments arXiv admin note: substantial text overlap with arXiv:2410.15281
专题命中 多模态RAG :RAG(abstract);retriever(abstract);分类 cs.CL
Comments NAACL 2025 main
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments 11 pages, 4 figures. 2 tables
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments the correct arxiv version
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.CL
Comments 6 pages
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments Accepted to NeurIPS2024
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.IR
Comments Accepted to Demo track of EMNLP 2024
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.CL
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments 8 pages, 1 figure
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.IR
Comments ACMMM 2024 MMGR WORKSHOP
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract);分类 cs.AI
Comments 13 pages, 6 figures, a plug-and-play framework to augment large vision-language models with up-to-date internet knowledge
专题命中 多模态RAG :retrieval augmented generation(abstract);RAG(abstract);分类 cs.AI
专题命中 多模态RAG :retrieval augmented generation(abstract);RAG(abstract);分类 cs.CL
Comments 5 pages, 1 figure, 15th International Particle Accelerator Conference
机构 * Human-Robot Interfaces and Interaction Lab, Istituto Italiano di Tecnologia, Genoa, Italy(人机交互实验室,意大利理工学院,热那亚) ; Georgia Institute of Technology, Atlanta, USA(佐治亚理工学院,美国亚特兰大)
专题命中 多模态RAG :RAG(abstract,comments);retrieval-augmented generation(abstract)
Comments Code, video and RAG dataset are available at \url{https://sites.google.com/view/omni-vic}
UEmbed:统一稀疏与稠密多模态嵌入
机构 * CASIA(中国科学院自动化研究所) ; Alibaba Group(阿里巴巴集团) ; University of Chinese Academy of Sciences(中国科学院大学) ; Yale University(耶鲁大学)
专题命中 多模态RAG :retrieval-augmented generation(abstract);分类 cs.IR、cs.CL、cs.AI
AI总结 UEmbed是一种仅解码器的多模态嵌入模型,可单次前向传播生成稀疏与稠密表示,在MMEB-v2和BEIR上表现优异,统一了两类嵌入并支持多模态智能体应用。
PRIMA:通过大语言模型进行风险集成图像-元数据对齐的医学诊断预训练
机构 * Department of Biomedical Engineering, Duke University(杜克大学生物医学工程系) ; Department of Ophthalmology and Visual Sciences, University of Michigan(密歇根大学眼科与视觉科学系)
专题命中 多模态RAG :retrieval-augmented generation(abstract);RAG(abstract)
AI总结 提出PRIMA框架,通过检索增强生成策展风险-疾病关联专家语料库优化文本编码器,用双编码器预训练策略及四个互补损失函数弥合模态差距,融合特征用于疾病分类,性能优于其他方法。
基于超像素的二次无约束二进制优化用于可扩展量子增强医学图像分割
机构 * American University of Beirut(贝鲁特美国大学) ; Centre de Visió per Computador (CVC)(计算机视觉中心 (CVC)) ; Ingenii Inc.(英格尼公司) ; Hamad Bin Khalifa University(哈马德·本·哈利法大学)
专题命中 多模态RAG :RAG(abstract,abstract_cn)
AI总结 研究针对QUBO用于医学图像分割时的可扩展性挑战,提出基于超像素的QUBO框架,用简单线性迭代聚类分组像素,在区域邻接图上公式化分割。实验表明该方法提升了分割质量、计算速度并减小问题规模,还符合量子退火器连接限制。
Comments 7 pages, 2 figures