Mar, 2022

学习形态学特征扰动以进行校准半监督分割

PDF
TL;DR本研究提出了一种新颖的一致性驱动半监督分割框架，其通过对编码器和双头解码器进行训练来实现对预测结果的不变性，比传统的半监督方法在 CT 肺血管分割和 MRI 脑肿瘤分割任务上表现更好，并且表明了 MisMatch 相对于其监督学习对应物的更好模型校准方法的有效性。
semi-supervised segmentationencoder-decoderfeature perturbationsconsistency regularisationmodel calibration
发现论文，激发创造
  • CrossMatch: 强化半监督医学图像分割的扰动策略和知识蒸馏

    CrossMatch 是一种新颖的框架，通过与双扰动策略（图像级和特征级）结合使用知识蒸馏技术，从标记和未标记数据中提高模型的学习能力，通过生成多样化的数据流进行自知识蒸馏，从而在医学图像分割中显著优于其他最先进的技术，在标准基准测试中有效地缩小训练差距，提高边缘精度和泛化性能。

    May, 2024

  • CorrMatch：半监督语义分割的相关匹配标签传播

    本研究提出了一个针对半监督语义分割的简单但高效的半监督语义分割方法，称为 CorrMatch，目的是通过一致性正则化从未标记的图像中挖掘更多高质量的区域，以更有效地利用未标记的数据。

    Jun, 2023

  • SegMatch：一种用于手术器械分割的半监督学习方法

    通过引入 SegMatch 方法，在手术仪器分割中使用半监督学习，减少了对昂贵标注的需求，并在 MICCAI 仪器分割挑战数据集上展示出性能的提升，超过了全监督学习方法和其他半监督语义分割模型。

    Aug, 2023

  • 半监督语义分割中弱到强一致性的再访

    本文介绍了一种基于弱到强一致性框架的半监督分类技术，将图像的弱扰动版本作为强扰动版本的监督信息，通过使用数据扩充，提出了一个统一的双流扰动方法，该方法在各种基准测试中表现优异。

    Aug, 2022

  • 标签匹配半监督目标检测

    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

  • ConMatch: 带置信度引导的连贯性正则化半监督学习

    本文介绍了一种名为 ConMatch 的新型半监督学习框架，它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化，权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点，提出了新的伪标签置信度度量方法，包括非参数方法和参数方法。特别是，在参数方法中，我们首次提出在网络内学习伪标签置信度，可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能，本文通过实验和大量的消融研究证明了 ConMatch 的有效性。

    Aug, 2022

  • 基于变换一致性学习的半监督医学图像分割

    本文介绍了一种基于半监督学习的医学图像分割方法，利用弹性变形实现了对有标签和无标签图像的变换一致性学习，通过在公共数据集上的测试，该方法达到了与同类方法相当的性能表现，并且使用了大为较少的有标签数据。

    Nov, 2019

  • 自监督语义分割调整的混合匹配

    该研究提出了一种自我监督学习方法，通过引入 “混合和匹配” 步骤来提高语义图像分割任务的性能，该方法无需更多的数据和标签，并且在很多方面与有监督的预训练方法可以媲美甚至超过其性能。

    Dec, 2017

  • 半监督语义分割遇到遮蔽建模：保真细粒度地域学习在一致性规范化中的重要性

    通过提出一种新的框架，即 MaskMatch，并应用多尺度集成策略，实现了对半监督语义分割任务中细粒度局部语义的更好感知和更准确的分割。

    Dec, 2023

  • SimMatch: 带相似性匹配的半监督学习

    本文提出了一种新的半监督学习框架 SimMatch，该框架同时考虑语义相似性和实例相似性，并通过一致性正则化将这两种相似性转换为更可靠的匹配目标，实现了半监督学习任务的性能提升，特别是在 ImageNet 数据集上，1％和 10％标记示例的 Top-1 准确率均显着优于基线方法和以前的半监督学习框架。

    Mar, 2022