Oct, 2020

DoFE：面向领域的特征嵌入在未见数据集上进行通用眼底图像分割

PDF
TL;DR提出了一种基于多源学习的领域导向特征嵌入框架来提高卷积神经网络对医学图像分割中看不见的目标领域的泛化能力，并在实现上述领域特征嵌入的同时采用了领域代码预测支路和注意机制使得语义特征和聚合特征得到动态组合， 在实验中表现优异。
convolutional neural networkmedical image segmentationdomain generalizationfeature embeddingmulti-source learning
发现论文，激发创造
  • 适应性特征融合神经网络用于未见过的眼底图像青光眼分割

    我们提出了一种名为自适应特征融合神经网络 (AFNN) 的方法，用于未知领域的青光眼分割，该方法由三个模块组成：域适配器、特征融合网络和自监督多任务学习。我们的方法在四个公共青光眼数据集上取得了有竞争力的性能。

    Apr, 2024

  • 医学图像二分法分割的指导特征增强

    通过纹理特征和强鉴别特征的自适应选择，我们提出了 IFE 方法来加强基于局部曲率或全局信息熵标准的生理结构分割中的原始特征。研究结果表明，IFE 仅需轻微调整即可提高经典分割网络在不同解剖结构和模态下的性能，同时实现了简单性、普适性和一定的可解释性。

    Jun, 2023

  • 激光雷达语义分割中利用密度判别特征嵌入的领域泛化

    通过引入一种新的方法，即密度识别特征嵌入（DDFE）模块，以及一种简单而有效的密度增强技术，本研究解决了激光雷达感知中的领域泛化问题，并在各种三维主干网络中持续优于现有的领域泛化方法。

    Dec, 2023

  • 用于单源域泛化的 CNN 特征图增强

    本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

    May, 2023

  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • 一种基于频率自监督表示学习提升的通用眼底图像增强网络

    本研究开发了通用的眼底图像增强网络（GFE-Net），通过利用图像频率信息和自监督表示学习，GFE-Net 可以在无监督或额外数据的情况下，准确纠正未知眼底图像并保留视网膜结构，从而实现优越的数据依赖性、增强性能、部署效率和规模泛化能力。

    Sep, 2023

  • 用于少样本图像分类的解耦特征表示

    本篇论文提出了一种名为 DFR 的新型解缩特征表示框架，它可以适应性地解耦由分类分支建模的有区别性特征和变差分支的类不相关的成分，从而提升了各种少样本任务上深度学习方法的性能，这是通过将其分类分支嵌入 DFR 实现的并在 mini-ImageNet、tiered-ImageNet、CUB 和 FS-DomainNet 等四个数据集上进行了相关实验和测试得出的。

    Sep, 2021

  • 基于模型无关语义特征学习的域泛化

    研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

    Oct, 2019

  • 深度适应网络学习可迁移特征

    本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

    Feb, 2015

  • EyeLoveGAN：利用循环 GAN 的领域偏移来提升网络学习

    本文使用卷积神经网络，包括 U-Net，InceptionV3 和叠层沙漏网络，针对 REFUGE 2020 的三项任务，视盘和杯的分割，青光眼的分类和中心凹的定位进行研究。为了增强性能，使用了 cycleGANs 来进行域漂移。

    Mar, 2022