KDDSep, 2022

用预训练神经网络集成进行透射电子显微图像分割和质量检测

PDF
TL;DR本专业研究了机器学习在电子显微数据集分析中的应用问题，因为这种类型的数据集具有许多挑战，包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现，使用 EA 方案的集合设计比 ER 方式更适合处理这些问题，因为 EA 表现出更好的分类精度和更好的校准性，而这两种集合的不确定性量化相当。
automated analysiselectron microscopymachine learninguncertainty quantificationensemble design
发现论文，激发创造
  • 神经集成搜索用于不确定性估计和数据集偏移

    本文提出两种构建神经网络集合的方法，使用不同的体系结构，以细化预测结果并利用架构变化作为集合的差异性的来源，并在多个分类任务和现代架构搜索空间方面表现优于深度集成。

    Jun, 2020

  • 深度学习全景分割中的不确定性估计

    探讨如何将集成学习不确定性估计方法应用于全景分割领域，以提高现有网络的性能并为其预测结果提供更好的不确定性度量。

    Apr, 2023

  • 评估不确定性估计方法在点云三维语义分割上的表现

    本研究评估了三种不确定性量化方法，即深度集成，MC-Dropout 和 MC-DropConnect 在 DarkNet21Seg 3D 语义分割模型上的影响，并全面分析了各种参数对任务性能和不确定性估计质量的影响。研究发现，深度集成的表现在性能和不确定性度量方面优于其他方法，mIOU 提高了 2.4％，准确度提高了 1.3％，并提供可靠的不确定性来做出决策。

    Jul, 2020

  • 多模型、多架构集成用于强健脑肿瘤分割

    本篇论文提出 Ensembles of Multiple Models and Architectures (EMMA) 方法，利用多种模型和架构进行集成预测，以实现在具有挑战性的任务中的鲁棒性能，是一个优秀的深度学习模型，能够在诸多竞赛中获得首位位置。

    Nov, 2017

  • 机器学习中实验参数通用性分析：对高分辨透射电子显微镜数据集的研究

    该研究探讨了元数据特征的选择会如何影响神经网络对纳米颗粒显微图像的分割，研究发现，神经网络在不同显微镜参数下鲁棒性较差，而数据预处理在训练相似数据集的神经网络中对其泛化性影响巨大，这些结果表明需要深入了解数据集特征对数据驱动算法的部署的影响。

    Jun, 2023

  • 自动化深度集成与不确定性量化

    AutoDEUQ 使用深度神经网络和超参数搜索自动生成神经网络集合，并使用方差法将预测方差分解为数据方差和模型方差，这种方法在许多回归基准测试中优于几种现有的不确定性量化方法。

    Oct, 2021

  • 利用消息传递神经网络集合进行分子属性预测的校准不确定性

    本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络，能够使神经网络准确预测分子的形成能，并且提供可靠的不确定性估计。

    Jul, 2021

  • 评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

    该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

    Jun, 2019

  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 对比深度编码使得基于机器学习的组织病理学具有不确定性感知能力

    利用深度神经网络模型和大规模数据集进行预训练，结合不确定性损失函数和弱监督，能够实现在使用非常有限的注释数据的情况下，取得与最先进方法相媲美的分类结果。

    Sep, 2023