Mar, 2022

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

PDF
TL;DR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。
semi-supervised learningboostmismedical imageadaptive pseudo labelingactive annotation
发现论文，激发创造
  • ACPL: 半监督医学图像分类中的反课程伪标记

    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。

    Nov, 2021

  • 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

  • 协作智能编排：基于不一致融合的半监督学习和主动学习

    该研究提出了一种名为 IDEAL 的算法，采用不一致性为基础的虚拟对抗积极学习方法来探索半监督学习和积极学习的潜在优势，通过数据采样和增强策略来评估未标记样本的不一致性并取得了良好的实验效果。

    Jun, 2022

  • 基于一致性的半监督确信主动学习用于诊断放射照片分类

    本文提出了一种结合半监督和主动学习的一致性半监督证据主动学习框架（CSEAL），通过建立在证据和主观逻辑理论上的预测不确定性，综合了半监督学习和基于不确定性的主动学习。我们在多标签胸部 X 射线分类任务上对该方法进行了广泛评估，并表明 CSEAL 相对于两个领先的半监督主动学习基线实现了实质性的性能提升。

    Sep, 2022

  • 利用主动教学提升遥感图像中的半监督目标检测

    我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

    Feb, 2024

  • 基于一致性的半监督主动学习：朝着最小化标注成本

    该论文提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，实现从未标注数据中选取最优数据来改善模型性能，在图像分类任务中实验结果显示出优异表现，同时探究了学习式主动学习方法的起点问题并提出了相关测量指标。

    Oct, 2019

  • 具有熟练教师的半监督三维目标检测

    本文提出了一种新的 Pseudo-Labeling 半监督三维目标检测框架，通过引入 STE 和 CBV 模块提高了教师模型的性能，同时提出了 BCL 软监督信号来减小错误样本对训练的负面影响。实验证明，在 ONCE 和 Waymo 数据集上，我们的方法显著提高了基线，同时在 Waymo 数据集上，只使用了一半的注释即可超过完全注释的 oracle 模型。

    Jul, 2022

  • 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

  • 重新思考半监督医学图像分割的数据扰动和模型稳定化

    提出一种用于半监督医疗图像分割的简单而有效的方法 DPMS，重点在于通过数据扰动和模型稳定化生成适当的预测不一致，从而显著提升了 SSMIS 的性能。

    Aug, 2023

  • 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