MONet:医学图像中的重复检测多尺度重叠网络
本文设计了一个使用多任务学习方法的卷积神经网络用于同时检测和定位查询的篡改图像和视频以及使用半监督学习方法来提高网络的泛化能力,实验表明该网络对面部重现攻击和面部交换攻击很有效,并能处理以前从未见过的攻击。
Jun, 2019
本研究提出了一种新的网络 MVSS-Net,通过多视角特征学习和多尺度监督,从噪声分布和边界伪影等方面解决了图像操作检测中的敏感性和特异性问题,并在五个基准测试集上进行了广泛实验验证。
Apr, 2021
本文介绍了一种基于多实例多尺度卷积神经网络的方法,解决了医学图像分类中的三大挑战:小样本、ROI 难以定位和尺度变化问题,并利用弱标注实现了良好的性能。
Jul, 2019
本研究提出了一种高效的端到端多任务网络 YOLO-Med,能够同时进行目标检测和语义分割,通过多尺度特征提取和任务特定解码器的结合,以及跨尺度任务交互模块的引入,实现了准确性和速度的平衡,并在 Kvasir-seg 数据集和私有生物医学图像数据集上获得了良好的结果。
Mar, 2024
本文介绍了一种新颖的多视角深度学习方法 MVSS-Net 和其增强版 MVSS-Net++,通过同时利用图像临界位置和输入图像的噪声视图进行特征学习,可实现对图像的普适性篡改检测,并通过实验显示表现优秀,且在 JPEG 压缩、高斯模糊和截屏重拍等情况下更具鲁棒性。
Dec, 2021
提出了一种名为 Multi-Collaboration and Multi-Supervision Network (MMNet) 的方法,用于处理伪造的人脸图像中的各种空间尺度和顺序排列,并在不需要相关操作方法知识的情况下实现恢复,同时提出了一种名为 Complete Sequence Matching (CSM) 的新的评估指标,反映了在多个推断步骤中检测完整伪造序列的能力。在多个典型数据集上的广泛实验表明,MMNet 在检测性能和独立恢复性能方面达到了最先进的水平。
Jul, 2023
我们的研究基于之前的医学领域离群分布挑战(MOOD)的获奖者的工作,其经验性地表明通过复制和插值外来补丁生成合成局部异常有助于训练分割网络,从而能够推广到未见过的异常类型。我们的贡献在合成异常生成过程中,通过使用随机形状而不是方形,并平滑异常的插值边缘,使合成异常更加多样化和具有挑战性,使网络无法仅仅依赖图像 - 外来补丁之间的高梯度来识别异常。我们的实验证明,这两项贡献显著改进了该方法的性能。我们使用标准的 3D U-Net 架构作为分割网络,在脑部和腹部数据集上以补丁方式进行训练。我们最终的挑战提交包括 10 个在不同异常生成过程配置下训练的 U-Net,通过 5 个数据折叠进行训练。我们的方法在 MICCAI 举办的 2022 年医学离群分布挑战的样本级和像素级任务中取得了第一名。
Aug, 2023
利用注意机制改善学习到的特征图,提高二分类(真实脸或伪造脸)的准确性和可视化处理后的伪造部位,通过大规模数据库的实验,证明了注意机制在人脸伪造检测和定位的有效性。
Oct, 2019
本文介绍了深度多放大率网络,采用多级别数字化全层切片图像的一组修补程序对部分注释进行训练,实现对乳腺癌多类组织的自动化分割,表现出高交叉共同区的意义,可用于协助病理学家评估乳腺癌。
Oct, 2019
本文提出了一种算法链,能够对规模为 20 亿张图片的 LAION-2B 数据集进行有效的重复检测,并揭示了大量的版权问题,能够充分解决当前模型训练时所遇到的问题。
Mar, 2023