Feb, 2023

混合阶 self-paced 策略课程学习用于全局病变检测

PDF
TL;DR本文提出一种新的混合阶段的自主课程学习（Mo-SCL）方法，通过集成不确定性和损失来更好地在线估计难度，并将易于和困难样本混合在同一个小批次中以适当地缓解困难样本的问题，在医学图像分析任务中（如通用病变检测）获得了成功。
self-paced curriculum learningmedical image analysismixed-orderuncertaintylesion detection
发现论文，激发创造
  • 采用动态课程学习提高不平衡文本分类

    本文提出了一种新颖的自适应自我学习曲线方法，并使用两种不同的标准来评估样本的难度，通过从简单到困难的自适应速度重新排序和重采样训练数据。在多个分类任务上进行了广泛实验，证明了 SPDCL 的有效性，尤其是对于不平衡的数据集。

    Oct, 2022

  • 一种面向临床的多层次对比学习方法用于低质量医学图像疾病诊断

    提出了一种临床导向的多级对比学习框架，旨在增强模型提取病变特征和区分病变与低质量因素的能力，从而能够更准确地诊断低质量医学图像的疾病。

    Apr, 2024

  • 自破坏式对比学习

    本文提出 Self-Damaging Contrastive Learning (SDCLR) 的概念，通过一个动态的自我竞争模型来平衡长尾数据的表示学习，以实现对无监督训练的快速部署。

    Jun, 2021

  • 多标签皮肤病变分类的自监督多模态学习

    通过最大化不同视角下的镜检和临床图像之间的相似性，聚类分析生成模拟的伪多标签以及利用标签关系来改善多模态皮肤病变分类的自监督学习算法比其他现有自监督学习算法在七点皮肤病变数据集上获得了更好的性能。

    Oct, 2023

  • 长尾识别的解耦对比学习

    使用监督对比损失（SCL）方法进行视觉表示学习，在长尾识别场景下，通过解耦 SCL 的训练目标和使用基于图像补丁的自我蒸馏来优化性能，实验证明该方法在长尾分类基准上具有卓越的准确率，并与集合方法相结合进一步提高性能。

    Mar, 2024

  • 不平衡数据分类的动态课程学习

    该研究提出了一种名为动态课程学习（DCL）的统一框架，可在线自适应地调整采样策略和损失学习，从而提高计算机视觉中人类属性分析任务的表现，实验结果显示 DCL 在面部属性数据集 CelebA 和行人属性数据集 RAP 上得到了新的最优性能。

    Jan, 2019

  • 基于难度感知动态课程学习的自监督学习改进：以数字病理学为例

    提出了一种基于课程学习的动态难度自适应自监督学习方法，通过增加难度来改进预训练表示，并在组织学图像分类任务中验证了其有效性。

    Aug, 2021

  • ECL：长尾皮肤病变分类的类增强对比学习

    通过类增强对比学习方法，使用平衡的代理模型和参数优化策略，配合平衡的加权交叉熵损失函数，对于不平衡肌肤病变数据的分类问题进行了实验，证明了该方法的卓越性和有效性。

    Jul, 2023

  • 多实例课程学习用于弱监督目标检测

    该研究使用物体分割指导模型正确定位物体，使用 “多示例课程学习” 方法逐渐拓展训练集，获得了比现有方法更好的效果。

    Nov, 2017

  • PCLMix: 弱监督医学图像分割的像素级对比学习和动态混合增强

    提出了一种名为 PCLMix 的新型弱监督医学图像分割框架，通过引入动态混合增强、像素级对比学习和一致性正则化策略，解决了弱监督图像分割中局部到全局区域的准确传播监督信号的挑战，并成功缩小了弱监督和全监督分割方法之间的差距。

    May, 2024