Jun, 2018

使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

PDF
TL;DR使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。
发现论文，激发创造
  • 用于图像分类的主动生成对抗网络

    本研究提出了一种结合有监督的条件生成对抗网络和主动学习的新模型，以更小的代价获得数据的标记，且生成的样本能有效地提高流行的图像分类任务中的分类性能。

    Jun, 2019

  • 深度图像分类的成本效益主动学习

    本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

    Jan, 2017

  • Red-GAN: 通过有条件生成攻击类别不平衡 - 对皮肤镜检和脑部肿瘤 MRI 的医学图像合成的另一视角

    通过基于生成对抗网络的数据增强协议，我们在像素级别和全局信息水平上对网络进行调节，以控制合成图像的外观，从而解决医学图像领域中被数据稀缺限制的问题，并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。

    Apr, 2020

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • DEAL: 图像分类的深度证据主动学习

    本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

    Jul, 2020

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 手术视频分割的相关感知主动学习

    该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

    Nov, 2023

  • 基于成本效益的黑色素瘤分割主动学习

    本研究提出了一个新颖的主动学习框架，利用 Monte Carlo 取样的 Dropout 来建模像素级别的不确定性，并分析图像信息，以有效地训练医学成像的卷积神经网络进行语义分割，且仅需要一个有限的标记训练数据。

    Nov, 2017

  • 深度强化主动学习多类别图像分类

    本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

    Jun, 2022

  • PCDAL: 一种基于扰动一致性推动的主动学习方法应用于医学图像分割与分类

    提出了一种基于主动学习的方法，可同时应用于 2D 医学图像分类、分割和 3D 医学图像分割任务，并在三个公共的挑战性医学图像数据集上验证了其有效性。

    Jun, 2023