适用于少样本医学图像分割的循环掩模细化
本文提出一种基于交叉参考网络的多类别小样本图像分割方法,通过先前的样本图像和待处理图像之间的交叉引用,同时预测前景目标,经过不断迭代的前景区域优化,实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升,最终在 PASCAL VOC 2012 数据集上取得了最佳效果。
Mar, 2020
本文提出了一种基于全局相关模块和判别性嵌入损失的少样本医学图像分割方法,利用深度卷积神经网络高效准确地进行分割,取得了最新的实验成果。
Dec, 2020
本文提出了一种原型精炼网络(PRNet),通过自适应和融合获取新类别的代表性原型,从而增强了低数据量情况下的原型区分度,实现了少样本分割的挑战,实验结果表明该方法显著优于现有方法。
Feb, 2020
本文提出了一种基于 3D 少样本学习的器官分割框架,通过学习支撑数据的 2D 片段与查询图像之间的关系,包括一个学习编码特征的双向门控循环单元(GRU),以及在使用任意支撑和查询数据之前通过迁移学习方法更新模型来适应目标图像和器官的特征。在三个 3D CT 数据集上测试,该模型的性能显著优于最先进的少样本分割模型,并且与使用更多目标训练数据训练的完全监督模型相当。
Nov, 2020
本文提出了一种新的 few-shot 分割框架,基于原型表示,并将整体类表示分解为一组部分感知原型,能够捕捉多样化和细粒度的物体特征。通过利用无标签数据丰富我们的部分感知原型,提高语义对象的内部变化建模。通过在两个基准测试上进行广泛的实验评估,表明我们的方法优于以前的方法。
Jul, 2020
提出了一种新颖的 Detail Self-refined Prototype Network(DSPNet)用于构建全面表示目标前景和背景的高保真原型,以解决医学图像中具有复杂背景且对象不明显的情况下,已有模型在 few-shot 语义分割方面的不足。在三个具有挑战性的医学图像基准上的广泛实验证实了 DSPNet 相对于先前的最先进方法的优越性。
Jun, 2024
近年来,基于卷积神经网络的深度学习在许多应用中取得了显著的成功。然而,它们对大量标注数据的依赖以及对未知类别的有限泛化能力对于医学图像处理任务来说是一个挑战。少样本学习利用少量标注数据进行泛化到未知类别的能力已经成为一个关键性的研究领域,吸引了大量关注。目前,大多数研究采用基于原型的方法,即利用原型网络从支持集构建原型,引导查询集的处理以获得最终结果。虽然这种方法是有效的,但它过于依赖支持集,忽视了查询集,导致模型类别内部存在明显的差异。为了缓解这个缺点,我们提出了一种新的支持 - 查询原型融合网络(SQPFNet)。SQPFNet 首先为支持图像的前景区域生成多个支持原型,从而产生一个粗糙的分割掩模。随后,基于粗糙分割掩模构建查询原型,额外利用查询集中的模式信息。因此,SQPFNet 构建了高质量的支持 - 查询融合原型,通过它对查询图像进行分割以获得最终的细化查询掩模。对两个公共数据集 SABS 和 CMR 的评估结果显示,SQPFNet 实现了最先进的性能。
May, 2024
为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题,本文提出了一种基于注意力机制多突出物体的跨导语义分割方法,并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。
Jun, 2020