Aug, 2021

SimCVD：简单的对比度体素表示蒸馏用于半监督医学图像分割

PDF
TL;DR本文提出了一种简单的对比去卷积 (SimCVD) 框架，旨在显著提高状态 - of-the-art 体素级表示学习。SimCVD 通过蒸馏配对相似，提升了分割准确性，可用于医学图像合成、增强和配准等下游任务中。
automated segmentationmedical image analysissemi-supervised approachescontrastive distillationrepresentation learning
发现论文，激发创造
  • 基于点云到体素的知识蒸馏技术用于 LiDAR 语义分割

    本文提出了一种基于点到体素知识蒸馏的方法，通过将隐藏层的知识从点级别和体素级别进行转移，采用困难感知的采样策略和点 - 体素相似度蒸馏，提高了 LiDAR 语义分割任务中教师模型向学生模型的知识压缩效果，同时在两个流行的基准数据集上实现了优于现有方法的精度和速度。

    Jun, 2022

  • 通过跨模态蒸馏和超体素聚类进行三维点云的无监督语义分割

    本文提出了一个名为 PointDC 的新型分割框架，通过两个阶段的处理（CMD 和 SVC），实现在不使用任何形式的注释的情况下的点云全自动无监督语义分割。该框架在 ScanNet-v2 和 S3DIS 两种数据集上均优于以往的无监督学习方法，分割性能显著提高。

    Apr, 2023

  • 基于位置的对比学习用于体积医学图像分割

    文章提出了一种基于位置的对比学习 (PCL) 框架，用于从未标记的医学图像数据中生成对比数据对，以改善在医学图像分割中存在的假阴性对的问题，并在 CT 和 MRI 数据集上得到了实验验证。

    Jun, 2021

  • MobileVOS：实时视频目标分割，对比学习与知识蒸馏相遇

    本文提出一种基于知识蒸馏与像素对比学习相结合的理论框架并使用有限内存的小型空时存储网络，实现在资源受限的设备上进行半监督视频对象分割任务，与最先进的模型相比取得竞争性的 J＆F 评估结果，但计算成本只有最先进模型的一小部分，在三星 Galaxy S22 上每帧计算 32 毫秒，并验证了该理论框架在标准 DAVIS 和 YouTube 基准测试上的有效性。

    Mar, 2023

  • 自监督医疗 CT 合成的逐步跨视图相互蒸馏

    本文提出了一种基于自监督学习的医疗切片合成方法，通过不同视角下的学习和交互相互指导，从而实现在不需要中间切片的情况下增加切片间分辨率，经过大量量化和定性实验验证的结果表明，所提方法明显优于同类算法。

    Dec, 2021

  • 无增强的密集对比知识蒸馏用于高效的语义分割

    在语义分割应用中，本研究提出了一种新的对比蒸馏学习范例，名为 Augmentation-free Dense Contrastive Knowledge Distillation (Af-DCD)，通过利用适当的特征分区，并采用一种基于掩码特征模仿策略和新颖的对比学习损失函数，有效地将教师模型学到的密集和结构化本地知识传递给目标学生模型，同时保持训练效率，达到了在多种主流基准测试中的有效性验证。

    Dec, 2023

  • 对比有监督蒸馏用于连续表示学习

    本文提出了一种名为对比监督蒸馏（CSD）的训练过程，用于解决连续表征学习中的灾难性遗忘问题，如何通过利用蒸馏设置中的标签信息来降低特征遗忘并学习有区别力的特征，从而使学生模型从教师模型中进行对比学习，在视觉检索任务中缓解灾难性遗忘，且表现优于当前的最新方法。

    May, 2022

  • SimPLe: 基于相似性感知传播学习的 DCE-MRI 弱监督乳腺癌分割

    本文提出一种利用极点标注对乳腺癌 DCE-MRI 图像进行弱监督学习分割的方法，使用多阶段 fine-tune 和 SimPLe 等策略，取得了 81% 均值 Dice 值。

    Jun, 2023

  • C-DARL: 对比扩散对抗表示学习用于无标签血管分割

    血管分割在医学成像中是诊断血管疾病和介入规划的重要步骤，但由于细微分支和复杂结构，手动标注血管掩膜具有挑战性和资源密集性。为了克服这个问题，本文提出了一种自学习的血管分割方法，即对比扩散对抗表示学习（C-DARL）模型。通过扩散模块和生成模块将多领域的血管数据分布学习到扩散潜变量中，从中生成合成的血管图像，通过基于掩膜的对比损失实现对比学习，从而使模型能够学习更真实的血管表示。通过使用冠状动脉血管造影、腹部数字减影血管造影和视网膜成像等各种血管数据集进行训练和验证，实验结果表明，我们的模型在噪声鲁棒性上取得了性能提升，证明了 C-DARL 在血管分割中的有效性。

    Jul, 2023

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020