本文介绍了一种深度卷积神经网络，旨在解决细胞分类中的数据分布不平衡和噪声问题，特别聚焦于白细胞分类。提出了基于示范集选择的反复学习方法，展示了新模型在分类准确性和效率上的优势，推动了血液病学的诊断进步，并提升了细胞分类的性能。

本文介绍了使用Composition Transformer（CoT）框架解决组合式零样本学习（CZSL）中的上下文问题、视觉特征可辨识性问题和真实世界组合数据的长尾分布问题的方法。CoT框架通过自下而上提取物体嵌入，并通过自上而下生成属性嵌入。同时，提出了少数类属性增广（MAA）方法解决数据分布不平衡引起的预测偏差。该方法在多个基准测试集上达到最先进性能，并展示了提高视觉辨识能力和解决数据分布不平衡的有效性。

研究人员提出了一种使用Composition Transformer（CoT）框架解决组合式零样本学习（CZSL）中上下文问题、视觉特征可辨识性问题和真实世界组合数据长尾分布问题的简单可扩展方法。CoT框架通过自下而上提取物体嵌入，并通过自上而下建模上下文性的对象引导注意力模块生成属性嵌入。研究人员还开发了少数类属性增广（MAA）方法，通过混合图像和过采样少数类属性合成虚拟样本，解决数据分布不平衡引起的预测偏差。该方法在多个基准测试集上达到最先进性能，展示了CoT在提高视觉辨识能力和解决数据分布不平衡引起的模型偏差方面的有效性。