ICMLAug, 2019

亮场显微镜下花粉的无监督表达

PDF
TL;DR本文介绍了第一个使用亮场显微镜进行花粉分析的无监督深度学习方法。使用 650 张图像，通过将花粉图像嵌入低维潜在空间并比较欧几里得和黎曼度量上的聚类，实现花粉的家族级别识别，并倡导将此系统用于环节只有小型或无标签数据集的花粉和其他微观生物结构的自动化分析。
unsupervised deep learningpollen analysismicroscopyautomated analysislow-dimensional latent space
发现论文，激发创造
  • 浮游生物图像的高效无监督学习

    本文提出了一种高效的无监督学习流程来提供准确的浮游生物分类，并比较其与现有技术，在所有数据集中性能更好，提供更好的图像嵌入特性。

    Sep, 2022

  • 自我监督和少样本学习在稳健生物气溶胶监测中的应用

    实时生物气溶胶监测利用自监督学习和少样本学习，通过大量未标记数据和很少的样本来分类全息图像，从而优化监测工作流程并减少模型适应不同情况所需的努力。

    Jun, 2024

  • 聚焦正面：自监督学习用于生物多样性监测

    利用静态监控相机捕获的图像集合中的自然变化和上下文数据来学习无标签图像集合的自我监督表示，通过在训练时识别高概率正面对，即可能描述相同视觉概念的图像，可以获得出色的下游超级分类性能。

    Aug, 2021

  • 无人机图像中高粱穗部的半监督物体检测

    该研究使用半监督学习方法，在只使用原始训练数据的 10％的情况下，实现了类似监督方法的高精度识别高粱穗的效果。

    May, 2023

  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 用于显微原位杂交图像分析和分类的自动编码器优化

    本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

    Apr, 2023

  • 简单但有效的无监督分类指定领域影像：以真菌影像为例研究

    一种无监督分类方法，在特定领域的图像分类中，通过使用预训练模型和流形学习进行双重特征降维、多种聚类算法的投票机制以及事后标注而不是事前手动标注，成功地提高了分类准确率，降低了对预先标注数据集的依赖，从而实现了数据分类的闭环，并给各个领域的研究者在构建数据集和推动特定领域图像的人工智能应用方面带来了便利。

    Nov, 2023

  • 无监督领域自适应和超分辨率在无人机图像上的应用，用于自主干草生物量估计

    本研究基于深度学习方法和无人机影像实现草地草量和成分的精确估算，旨在减少对生物多样性和环境的过度施肥影响，并提高奶制品生产效率。

    Apr, 2022

  • 无监督深度隐式粒子图像表示学习

    提出一种新的视觉数据表示方法 Deep Latent Particles (DLP)，其中用空间 - softmax 和 Chamfer 距离先验驱动学习生成低维潜在颗粒表示，并表明其对多个动态对象构成的场景视频预测等下游任务具有实用性，同时给出颗粒位置的不确定性估计。

    May, 2022

  • 层次判别学习提高生物医学显微镜的视觉表达

    本文提出了一种名为 HiDisc 的自我监督对比学习框架，用于学习临床生物医学显微镜图像中肿瘤的高质量视觉表示，结果表明 HiDisc 预训练方法在癌症诊断和基因突变预测方面优于当前最先进的自我监督预训练方法，并且使用自然数据多样性学习高质量的视觉表达。

    Mar, 2023