Aug, 2022

贝叶斯伪标签：期望最大化用于鲁棒和高效半监督分割

PDF
TL;DR本研究介绍了一种新的伪标记形式，作为期望最大化算法的清晰统计解释，并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL，证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。
pseudo-labellingsegmentationem algorithmsemi-supervisedmedical image
发现论文，激发创造
  • 基于期望最大化的伪标注算法在有限注释分割中的应用

    该研究探讨了伪标记在半监督医学图像分割中的应用，提出了 Bayesian Pseudo Labels 这一伪标记的全面推广方法，并展示了该方法在三维肺血管、MRI 脑肿瘤和三维 MRI 脑肿瘤二元分割方面的应用。

    May, 2023

  • EPL：证据原型学习用于半监督医学图像分割

    本研究提出了 Evidential Prototype Learning (EPL) 方法，利用扩展的概率框架有效融合来自不同来源的体素概率预测，并在广义证据框架下实现标记和未标记数据的样本融合利用，利用体素级双不确定性掩膜。该方法在 LA、胰腺 CT 和 TBAD 数据集上进行了实验，以三种不同标记比率实现了最先进的性能，充分证明了我们的策略的有效性。

    Apr, 2024

  • 半监督肺癌筛查的深度期望最大化

    提出一种基于半监督学习和 3D 卷积神经网络的肺癌筛查算法，采用 Expectation-Maximization 元算法进行训练，通过交叉域的方法验证其模型性能，结果表明该算法能够极大地提高肺癌筛查的分类准确性，证明了半监督 EM 是改进 3D CNN 肺癌筛查模型准确性的一种有效技术。

    Oct, 2020

  • 基于期望最大化算法的弱监督和半监督物体检测

    本研究使用深度卷积神经网络结合期望最大值方法解决仅提供图像级标签时的目标检测问题，在 PASCAL VOC 2007 基准测试集中，实验结果表明，我们的方法在弱监督下，较现有最先进方法有明显的性能优化，并且在使用少量实例标注图片的情况下，基本可以达到完全监督模型的检测表现。

    Feb, 2017

  • 利用固定和动态伪标签进行半监督医学图像分割

    利用多个伪标签进行半监督医学图像分割，可以提高模型性能和泛化能力。验证结果显示，这种新方法在几个医学图像数据集上的表现明显优于现有方法。

    May, 2024

  • 基于期望最大化变换的不确定性感知自训练

    我们提出了一种新的自训练框架，用于结合模型和数据集的不确定性信息，通过使用期望最大化 (EM) 平滑标签和全面估计不确定性信息，并设计一种基础提取网络从数据集中估计初始基础，然后通过不确定性信息将其转换为真实硬标签，以在重新训练过程中迭代更新模型和基础。在图像分类和语义分割的实验证明了我们的方法在可信自训练算法中具有优势，在不同数据集上可以获得 1-3 个百分点的改进。

    May, 2024

  • 一种用于在线增量学习语义分割的 EM 框架

    本文提出了一种基于期望最大化 (EM) 框架的增量学习策略，用于快速适应深度分割模型的新类别，具有更好的效果和稳定性，并应用于 PASCAL VOC 2012 和 ADE20K 数据集上进行验证。

    Aug, 2021

  • 基于自下而上和自上而下的线索进行弱监督语义分割

    本研究提出一种使用 CNNs 结合基于期望最大化算法的弱监督方法来学习语义分割分类器的方法，并通过在简单图像上学习初始化和使用显著性和注意力地图来实现更好的结果，同时，研究也表明该方法无需使用精确像素级别标签，能在 PASCAL VOC 2012 数据集上保持高性能。

    Dec, 2016

  • 使用半监督学习的期望最大化进行文档分类

    该研究论文讨论了使用期望最大化技术来分类文档的方法，利用半监督学习方法可以提高分类准确性，其主要优点是可以动态生成新分类。该论文使用了汽车数据集进行了实验验证。

    Dec, 2011

  • 增强半监督领域通用医学图像分割的伪标签质量

    本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

    Jan, 2022