多尺度和跨尺度对比学习用于语义分割
本文提出了一种 MCSC 框架,联合训练 CNN 和 Transformer 模型,并采用多尺度交叉监督对比学习来对医学图像进行结构分割。实验证明,该方法在 Dice 系数上比现有的半监督方法提高了 3.0% 以上,并且大大缩小了与全监督方法之间的性能差距。
Jun, 2023
通过提出的 Contextrast 方法,该论文在语义分割方面取得了显著的改进,能够捕捉到本地 / 全局上下文以及它们之间的关系,并通过利用细节解决边界区域的分割问题。
Apr, 2024
提出了一种新颖的 ECGAN 用于具有挑战性的语义图像合成任务,通过使用边缘作为中间表示,并采用注意力引导的边缘传输模块进行图像生成,设计了一个有效的模块来选择性地突出显示根据原始语义布局的类依赖特征图,通过对比学习方法和多尺度对比学习方法,强化了同一语义类别的像素嵌入生成更相似的图像内容,并利用多个输入语义布局的标记像素结构来明确地探索更多的语义关系。
Jul, 2023
提出了基于全局和局部特征表示的多网络对比学习框架,通过多个网络引入自监督对比学习的全局和局部特征信息,并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息,并扩展对比样本数,提高了模型的训练效率。在三个基准数据集上的线性评估结果表明,我们的方法优于几种现有的经典自监督学习方法。
Jun, 2023
本文提出了一种多尺度匹配网络,该网络可以对邻近像素之间微小的语义差异进行敏感的多尺度匹配,并利用深度卷积神经网络的多尺度结构学习判别像素级特征。实验结果表明,该方法在三个流行的基准测试上具有高计算效率并达到了最先进的性能。
Jul, 2021
本文提出了一种基于对比度学习的语义分割训练策略,使用像素级和标签基础对比损失的方法,能够在减少标记数据的情况下提高性能,并通过 Cityscapes 和 PASCAL VOC 2012 数据集的实验证明了该方法的有效性。
Dec, 2020
提出了一种名为 JCL 的新型不对称对比学习框架,用于医学图像分割的自监督预训练,多级对比损失设计确保了编码器和解码器在预训练期间可以学习到多级表示,实验证明该框架优于现有的对比学习策略。
Sep, 2023
本研究提出了一种半监督语义分割的新方法,采用对比学习模块,通过维护持续更新的内存库,将具有相同类别的样本的像素级特征表示相似,通过端到端的训练,优化标注和未标注数据的特征,能够在公共基准测试中取得比半监督语义分割和半监督领域适应的现有技术更好的表现,尤其在标注数据较少的情况下有更大的提升。
Apr, 2021
我们提出了一个双对比学习网络,在半监督多器官分割中利用全局和局部对比学习加强图像和类别之间的关系。在第一阶段,我们开发了一个基于相似度引导的全局对比学习来探索图像之间的隐含连续性和相似性,并学习全局上下文。然后,在第二阶段,我们提出了一个器官感知的局部对比学习来进一步吸引类别表示。为了减轻计算负担,我们引入了一个掩码中心计算算法,用于压缩局部对比学习的类别表示。我们在公共的 2017 年 ACDC 数据集和内部的 RC-OARs 数据集上进行的实验证明了我们方法的优越性能。
Mar, 2024