Jan, 2021

U-Noise：可学习的噪声掩码，用于可解释的图像分割

PDF
TL;DR利用添加噪声的方法，我们提出了一种全新的解释深度学习图像分割模型的方法，能在医学等重要决策应用中提高模型的可解释性，并演示了该方法优于传统的 Grad-CAM 和遮挡敏感方法，同时，我们证明了该可解释性模型可以基于遮挡图像的下游性能进行定量评估。
deep neural networksimage segmentationinterpretabilityct scansquantitative evaluation
发现论文，激发创造
  • 潜在噪声分割：神经噪声如何导致分割和分组的出现

    通过数学演示，在现实假设下，神经噪声可以用于分离对象，并且在 DNN 网络中添加噪声使其能够对图像进行分割，从而产生与人类感知中观察到的感知分组现象一致的分段性能。

    Sep, 2023

  • 基于不确定性的噪声图像标签检测和重新标记

    本文提出了一种基于深度神经网络的预测不确定性来识别训练数据中存在的噪声标签并通过迭代程序实现清洗的方法，该方法在 CIFAR-10 和 CIFAR-100 上有良好的性能表现。

    May, 2019

  • 通过像素级不确定性估计实现通用性医学图像分割

    本文提出一种新的基于不确定性估计的框架用于医学图像分割任务，以突出难以分类的像素，并提高深度神经网络的泛化能力。实验结果表明，该方法优于现有技术。

    May, 2023

  • 通过自注意力和自监督学习实现对标签噪音容忍的医学图像分类

    本文发明了一种噪声鲁棒训练方法，以应对医学图像分类中不可避免的标签噪声问题，其中包括对比学习和组内注意力 mixup 策略，并通过严格实验验证表明，该方法能够有效地处理标签噪声，并优于现有方法。

    Jun, 2023

  • 基于不确定性的 MRI 分割的人工智能

    通过结合贝叶斯神经网络和注意机制，我们提出了一种不确定性感知的 MRI 数据分割模型 BA U-Net，用于高精度且可解释的病理自动筛查的关键首步，我们在公开可用的 BraTS 2020 数据集上使用 F1 分数和交并比（IoU）作为评价指标进行了模型评估。

    Nov, 2023

  • 医学图像噪声标记的鲁棒学习：应用于皮肤病变分类

    本论文提出了一种有效的迭代学习框架，用于医学图像的噪声标签分类问题。具体而言，我们提出了一种在线不确定样本挖掘方法，以消除嘈杂标记的图像的干扰，接着，我们设计了一种样本重新加权策略，以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。

    Jan, 2019

  • 学习从噪声标注中分割皮肤病变

    该研究提出了一个新的框架，可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络，使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释，使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素，实验表明，使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。

    Jun, 2019

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 利用语义信息提高深度神经网络的可解释性

    本文提出了一种新颖的技术，通过利用人类描述中蕴含的丰富语义信息来提高深度神经网络的可解释性，特别是在视频字幕任务中，通过一个可解释损失将人类描述中的一组语义相关主题集成到模型中，并提出了一种预测差异最大化算法来解释每个神经元的学习特征。实验结果表明这种方法在视频字幕和视频动作识别方面非常有效。

    Mar, 2017

  • 超声图像标注去除：基于自监督 Noise2Noise 方法的研究

    通过采用噪声到噪声（Noise2Noise）模型，在超声图像中自动检测标注物的研究中，我们发现噪声产生的模型比噪声 - 干净数据对训练的模型表现更好。其中，定制的 U-Net 模型在身体标记物标注数据集上表现出色，其分割精度和重建相似性得分较高。

    Jul, 2023