部分监督多任务学习

May, 2020

Partly Supervised Multitask Learning

Abdullah-Al-Zubaer Imran, Chao Huang, Hui Tang, Wei Fan, Yuan Xiao...

TL;DR提出了一种基于自监督学习和对抗训练的半监督多任务学习模型，称为 S$^4$MTL，可用于医学成像中的分割和诊断分类任务。实验结果表明，该模型在减少 50% 标签数量的情况下，明显优于半监督单任务、半 / 全监督多任务和全监督单任务模型，并且可以用于解决有限注释问题的联合训练。

Abstract

semi-supervised learning has recently been attracting attention as an alternative to fully supervised models that require large pools of labeled data. Moreover, optimizing a model for multiple tasks can provide better generalizability than single-task learning. Leveraging self-supervis

semi-supervised learning self-supervised multitask learning medical imaging segmentation

发现论文，激发创造

向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

Nov, 2023

多任务学习与部分监督的结合：计算机视觉综述

多任务学习通过使用共享资源同时计算多个输出，具有比传统方法更低的内存需求和推理时间，本综述主要研究多任务学习如何在不同的部分监督设置下应用以解决相关挑战。

Jul, 2023

知识组装：使用不相交标签的多个数据集进行半监督多任务学习

本文介绍了一种利用半监督学习思想，采用知识组装 (Knowledge Assembly) 方法，为只有部分标注的多任务学习 (Multi-Task Learning) 模型提供训练。文章在联合学习行人再识别 (Person Re-Identification) 和行人属性识别 (Pedestrian Attribute Recognition) 任务中，优于单一任务的完全监督性能。

Jun, 2023

自监督均值教师模型在半监督胸部 X 光分类中的应用

该研究提出了基于自监督平均教师预训练和半监督微调的自我监督平均教师的半监督学习方法，应用于胸部 X 光片和皮肤病分类问题，取得较大的性能改善。

Mar, 2021

医学图像分割的两阶段多任务自监督学习

医学图像分割使用深度学习技术取得了重大进展，然而医学应用中固有的数据稀缺性对深度学习的分割方法构成了巨大挑战。自监督学习通过从可用数据集中创建辅助学习任务，并利用解决这些任务获得的知识来更好地解决目标分割任务，提供了一种解决方案。本研究提出了一种两阶段训练方法，可以有效利用多个辅助任务创建多个出色的分割模型，然后将它们合并为一个更强大的模型。该方法在 X 光气胸分割数据集上训练了 U-Net 模型，并对几种现有方法进行了实验比较，结果表明了方法的优越性。

Feb, 2024

视觉场景理解的多任务学习

研究多任务学习在计算机视觉中的应用，通过综述现有方法，提出几种方法处理多任务学习中的重要问题，并在各种基准测试中进行评估，进一步提升了多任务学习的状态。

Mar, 2022

多任务学习调查

本文综述了多任务学习的算法建模、任务聚类及半监督学习、真实世界应用等方面，并探讨其理论分析和未来方向。

Jul, 2017

多任务稀疏结构学习

本文提出了一种新型 MTL 模型，通过交替极小化算法解决任务关系结构和任务参数的联合估计问题，应用于回归和分类问题，结合灰色图模型结构学习得出任务关系结构。在温度预测等多个数据集中，该模型展现出了显著的表现优势。

Sep, 2014

异步多任务学习

本文提出了一种分布式和异步优化的多任务学习框架，该框架能够有效地解决数据存储在不同地点时的挑战，同时能够提高多任务学习模型的泛化性能。实证研究表明本文提出的方法在合成和实际数据集上均表现出高效和有效的性能。

Sep, 2016

一种适用于半监督医学图像分割的多功能范式

通过整合各种任务到一个统一模型并利用大量未标记数据来进行半监督医学图像分割，我们介绍了一个名为 VerSemi 的全新的多功能半监督框架，实验证明它在公共基准数据集上始终可以通过较大的边际优势（例如，在四个数据集上平均达到 2.69％的 Dice 增益）超越其他方法，为半监督医学图像分割设定了新的最佳表现。

Nov, 2023