CVPRNov, 2021

ACPL: 半监督医学图像分类中的反课程伪标记

PDF
TL;DR本文提出了一种反课程伪标记 (ACPL) 的半监督学习算法，它使用新技术选择信息丰富的未标记样本，改善了训练平衡性，并允许模型处理多标签和多类别问题，并通过准确的分类器集成来估计伪标签，该算法通过广泛实验在医学影像分类基准上取得了优异的效果。
semi-supervised learningmedical image analysismulti-label classificationanti-curriculum pseudo-labellingensemble of classifiers
发现论文，激发创造
  • SPLAL：基于相似性的伪标签与对齐损失在半监督医学图像分类中的应用

    在这篇论文中，我们提出了一种新颖的半监督学习方法 SPLAL，用于医学图像分类。SPLAL 通过利用类原型和分类器的加权组合，在部分无标签图像上预测可靠的伪标签。此外，我们引入了对齐损失以减少对多数类的模型偏差。实验结果表明，我们的方法在准确率和 F1 分数上显著优于几种最先进的半监督学习方法。

    Jul, 2023

  • 伪标记的自动课程学习用于半监督关键点定位

    该研究采用一系列动态阈值来自动选择可靠的伪标签样本，形成一个学习课程，从而显著优于先前最先进的 SSL 方法，在六个 keypoint 本地化基准数据集上进行了广泛的实验。

    Jan, 2022

  • 基于类别感知对比半监督学习

    提出了一种名为 CCSSL 的半监督学习方法，采用类别聚类和图像对比改善模型的伪标签质量和在真实世界中的鲁棒性，并通过目标重新加权实现了干净标签学习和减少噪声标签学习。实验表明其在多个数据集上均取得了显著的性能提升。

    Mar, 2022

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • BoostMIS: 使用自适应伪标签和信息主动注释提升医学图像半监督学习的效果

    本文提出了一种新颖的半监督学习（SSL）框架 BoostMIS，该框架将自适应的伪标记和信息主动注释相结合，以释放医学图像 SSL 模型的潜力。在实验结果中对提出的方法进行了验证，并证明了其对不同医学图像数据集的有效性和广泛适用性。

    Mar, 2022

  • 关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

    本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

    Jan, 2021

  • 面向半监督多标签学习的类别分布感知伪标记

    本文提出 Class-distribution-Aware Pseudo Labeling (CAP) 方法，通过设计基于类感知阈值的规则学习框架来控制每个类别的伪标签的数量，并约束伪标签的类别分布接近真实分布，旨在解决半监督多标签学习问题。实验结果证明了 CAP 方法可以有效解决半监督多标签学习问题并提高泛化能力。

    May, 2023

  • 一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

    我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

    Mar, 2024

  • 场景图像的多标签自监督学习

    使用多标签自监督学习（MLS）方法，通过将场景 / 多标签图像的自监督学习简化为多标签分类问题，我们可以学习到高质量的图像表示，该方法在 MS-COCO 上获得了分类、检测和分割方面的最先进结果，并且比现有的方法简单易用，便于部署和进一步探索。

    Aug, 2023

  • 自我监督辅助主动学习用于皮肤病变分割

    本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

    May, 2022