自监督均值教师模型在半监督胸部 X 光分类中的应用
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。
May, 2020
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
本文针对医疗影像任务,通过对自我监督和半监督学习等多种方式进行比较,研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。
Jun, 2023
本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性,使用领域特定的无标签医学图像进行自监督学习,并引入一种新颖的多实例对比学习 (MICLe) 方法,为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。
Jan, 2021
本文介绍了多种改进的方法以减轻自我训练管道中的确认偏差,评估了这些改进在多个数据集上的表现,证明在现有的自我训练设计选择上实现了性能增益,并研究了增强方法对未知类别的 Open Set 无标签数据的扩展性。
Jan, 2023
本文提出了一种多教师 - 单学生 (MTSS) 方法,通过使用标签嵌入技术,可以学习任务特定的领域专家,并通过迫使模型模仿领域专家所学习的分布方法,学习图像表示的有效方法,从而实现了对视觉属性预测问题的半监督学习。实验结果表明,该方法不仅在时尚属性预测的各种基准测试上取得了竞争性的性能,还提高了不可见领域的鲁棒性和跨域适应性。
Jul, 2020
本篇论文从分布级别和实例级别两个不同但互补的视角提出了一个简单而有效的 LabelMatch 框架,用于解决自我训练期间存在的标签不匹配问题,并通过 Proposal Self-assignment 机制确定准确的伪标签来促进学生和教师之间的匹配。在 MS-COCO 和 PASCAL-VOC 数据集上的实验结果表明,所提出的框架明显优于其他现有方法。
Jun, 2022
本文提出了一种基于深度学习的半监督知识蒸馏方法,通过标注和未标注的数据进行数据训练,建立了一个包含教师和学生网络的 Mask-guided Mean Teacher framework with Perturbation-sensitive Sample Mining (MMT-PSM)。实验表明,该方法相对于只学习标注数据的监督方法和最先进的半监督方法,显著提高了性能。
Jul, 2020
本文提出了一种基于多视角一致性的 3D 数据协同训练新框架,利用不同子网络的多样化特征来扩展协同训练,采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性,并通过自适应方法计算每个未标注样本的置信度,它在临床图像处理领域的效果得到了验证。
Nov, 2018