自适应、自洽的自训练方法用于半监督图像分割

Oct, 2020

自适应、自洽的自训练方法用于半监督图像分割

Self-paced and self-consistent co-training for semi-supervised image segmentation

Ping Wang, Jizong Peng, Marco Pedersoli, Yuanfeng Zhou, Caiming Zhang...

TL;DR本文提出了一种半监督图像分割的改进方法，采用自主逐步训练方法和不同网络结构预测结果一致性及可靠性的 Generalized Jensen Shannon Divergence（JSD）损失函数，通过在在训练的不同迭代中强制模型的预测结果始终保持一致性，获得了在少量已标注数据情况下取得了比标准协同训练基线方法和最新半监督分割方法更好的性能表现。

Abstract

deep co-training has recently been proposed as an effective approach for image segmentation when annotated data is scarce. In this paper, we improve existing approaches for semi-supervised segmentation with a sel

deep co-training semi-supervised segmentation self-paced learning jensen shannon divergence self-ensembling

发现论文，激发创造

深度共同训练用于半监督图像分割

本文介绍一种基于深度分割模型集成的半监督学习方法，利用有标注的图片训练模型子集，并使用未标注的图片协同训练模型，同时使用对抗样本来保持多样性，实现语义图像分割的性能提升，在两个医学图像数据集上取得最先进的结果。

Mar, 2019

医学图像半监督分割中的变换一致自组织模型

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

自训练方式提升语义分割

本文提出了一种半监督学习的方法，即自我训练范式，通过用标注数据训练教师模型并在大量未标注数据上生成伪标签，以较少的监督实现像素级准确模型，并在 Cityscapes，CamVid 和 KITTI 数据集上取得了最优表现，同时，在具有挑战性的跨域泛化任务上表现更佳，最后，为了减轻大量伪标签带来的计算负担，提出了一种快速训练计划来加速分割模型的训练。

Apr, 2020

带交叉一致性训练的半监督语义分割

本文提出了一种新型的基于交叉一致性的半监督语义分割方法，其中共享编码器和主解码器进行有监督训练，利用无标签数据来提高编码器的表示，该方法简单易懂，并且在多个数据集上实现了最先进的结果。

Mar, 2020

多样的合作训练构建强力的半监督分割器

通过探索协同训练的不同维度及其对抗同质化，我们的多样化协同训练在 Pascal 和 Cityscapes 数据集上大幅优于现有方法，通过仅使用 92、183 和 366 张标记图像，在 Pascal 数据集上取得了 mIoU 分别为 76.2%、77.7% 和 80.2% 的最佳结果，超过之前的最佳结果超过 5%。

Aug, 2023

自训练用于类增量语义分割

提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

Dec, 2020

深度协同训练半监督图像识别

本文研究在有标记和无标记图像的情况下学习分类器的半监督图像识别问题。我们提出了 Deep Co-Training 方法，该方法基于 Co-Training 框架，并通过对抗样本促进视角差异性以防止多个深度神经网络之间的折叠。在 SVHN、CIFAR-10/100 和 ImageNet 数据集上进行测试，结果表明我们的方法大幅优于先前的最先进方法。

Mar, 2018

半监督医学图像分割中的自我感知和跨样本原型学习

本文提出了 SCP-Net 方法，利用多个输入源提高一致性学习中预测的多样性，结合半监督方法和自我感知一致性学习方法，提高伪标签的紧致性和可靠性。实验表明，SCP-Net 可以优于其他半监督分割方法，相比于有限的有监督训练，可以显著提高性能。

May, 2023

三维医学图像的一致性半监督分割

本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

Mar, 2022

自监督一致性训练用于高效组织病理图像分析

利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

Feb, 2021