本文介绍了一种名为Context-I2W的新型网络，用于将图像信息转换为描述的伪词标记，以实现准确的零样本组合图像检索任务。该网络通过学习旋转规则将相同图像映射到特定任务的操作视图，并捕获涵盖主要目标的局部信息，无需额外监督。该模型在四个零样本组合图像检索任务上表现出很强的泛化能力，并取得了新的最先进结果。

本文提出了一种新的基于Transformer的MIL方法，探索形态和空间信息，对三个计算病理学问题进行了测试，结果表明该方法具有更好的性能和更快的收敛速度，测试AUC可以达到93.09％，在TCGA-NSCLC和TCGA-RCC数据集上，癌症亚型分类的AUC分别可以达到96.03％和98.82％。

插值是一种在已知数据点集中构建新数据点的方法，可用于任何维度空间。本文讨论了常见插值方法的数学原理，包括最近邻插值、线性插值和三次插值。还介绍了如何在任意维度空间中执行插值，并涵盖了插值中的角对齐和坐标归一化。