Apr, 2019

通过规范化显著性图以降低过拟合的 GradMask 算法

PDF
TL;DR为了解决在医学成像中的过拟合问题，本文提出了一种名为 GradMask 的正则化方法，通过对错误的特征与目标类之间的关联进行惩罚，防止非瘤相关特征对不健康样本的分类产生贡献，并取得了 1-3% 的精度提升。
overfittingmedical imagingregularizationgradmasklesion segmentation
发现论文，激发创造
  • 用于模型可解释性的基于遮罩的显著性方法研究与简化

    本研究采用掩蔽技术生成显著性地图，发现训练分类器的同时，采用掩蔽技术生成显著性地图具有很高的性能，并且 10 个样本每类也可以显著提高显著性地图的精度。

    Oct, 2020

  • 诊断泛化不良时，显著性可能是一个误导

    该论文研究利用辅助标签（即人工绘制的掩模）训练模型以在预测任务中忽略分散注意力的外部特征，以提高模型的泛化性能，同时也探讨了模型泛化性能不佳的根本原因以及采用掩模在 “说明性预测” 任务中的实用性问题。

    Oct, 2019

  • SMOOT：基于显著性引导的掩模优化在线训练

    通过提出一种基于输入、准确性和模型损失的遮蔽图像数目的最佳确定方法，本文旨在解决遮蔽策略的问题，以提高模型的准确性和突出性，从而证明所提出的解决方案的有效性。

    Oct, 2023

  • 医学不可学习的示例：通过稀疏感知的本地屏蔽保护医学数据免受未授权的训练

    通过在数据中引入不可察觉的噪声来保护医学数据的隐私，在医学影像数据中应用新方法，选择性地扰乱重要像素区域，提高数据保护的效率和效果，防止未经授权对深度学习模型进行训练。

    Mar, 2024

  • 平滑深度显著性

    通过减少来自卷积下采样的噪声，我们探讨了解释深度学习模型如何检测扫描的组织标本中的肿瘤的方法，这些方法使得梯度基于隐藏层计算的显著性图更具解释性。我们在 ImageNet1K 上训练的不同模型以及在 Camelyon16 和实际数字病理学染色组织样本的肿瘤检测训练模型上测试了我们的方法。结果表明，梯度中的棋盘噪声得到了减少，从而产生更平滑且更易于解释的显著性图。

    Apr, 2024

  • 掩蔽以改进卷积神经网络的对比式自监督学习，并揭示显著性

    通过在卷积神经网络中引入掩蔽操作作为额外的数据增强方法，并显式考虑显著性约束，本研究提出了一种改进的对比学习框架，以减轻包括掩蔽操作在内的对比学习中存在的问题，并在多个数据集、对比学习机制和下游任务上进行的广泛实验验证了其有效性和卓越性能。

    Sep, 2023

  • NormGrad：寻找训练中有用的像素

    该论文提出了一种基于卷积层的梯度求和公式的权重归因方法，并通过元学习方法确定模型训练的相关位置，同时也展示了相似元学习方法可用于提取对模型有负面影响的对抗位置。

    Oct, 2019

  • InfoMask：掩蔽式变分潜在表示以定位胸部疾病

    本文提出了一种学习到的空间屏蔽机制，以过滤出注意力矩阵中的无关背景信号，并通过最大化掩蔽变分表示和类标签之间的信息，以使鉴别性区域更准确的定位，最终成功通过使用 ChestX-ray8 数据集实现了肺炎本地化而不使用任何像素级或边界框注释。

    Mar, 2019

  • 基于显著性引导训练的深度学习解释性改进

    本文介绍了一种基于显著性引导培训的神经网络方法，可以有效降低噪声导致的特征归因不准确，并通过实验表明这种方法能够在保持预测性能的同时提高模型可解释性。

    Nov, 2021

  • SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

    该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

    Jun, 2020