我们提出了一种新方法，通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响，实现自动分类医学图像。我们的方法由两个组成部分组成：卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重，以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能，从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法，用于前列腺癌诊断，包括定量实验、定性评估和消融研究。我们的结果表明，我们的方法改进了分类性能，并产生更可靠的预测，重点关注图像的相关部分。这在医学成像中尤为重要，准确可靠的分类对于有效的诊断和治疗规划至关重要。
Sep, 2023
本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。
Dec, 2020
本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。
Jul, 2020
通过在离散或连续随机变量之间预测因变量来区分因果关系，我们提出了多个简单快速的标准，以检验因果关系，适用于广泛的因果机制和数据噪声类型。
Oct, 2020
提供了视觉行为的严格定义和一种能够广泛适用于人类、动物、神经元、机器人和其他感知系统中视觉驱动行为的方法，基于微观变量构建因果变量并通过最小化实验验证来获取因果知识。该定理与机器学习中的标准推理技术相连，最后提出一个主动学习方案来自动识别目标行为的视觉原因。
Dec, 2014
通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。
Nov, 2022
介绍了一种学习鲁棒视觉表示的框架，该框架能够推广到新的视点、背景和场景环境，并利用干扰因素以制造人为干预特征，从而学习更加符合基础因果关系的鲁棒表示方法。实验证明，该方法提升了多个需要超出训练分布的数据集的性能，在从 ImageNet 到 ObjectNet 数据集进行无分布推广时展现出最先进的性能。
通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。
May, 2023
本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。
Mar, 2022
基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。
Jul, 2023