Mar, 2023

基于多头特征自适应的整张切片图像分类知识迁移

PDF
TL;DR本文提出了一种多头特征自适应模块，以促进源领域中的知识转移至目标领域，尤其适用于 WSI 分类；实验结果表明，我们的方法在多个数据集上均取得了最先进的性能，远优于从头开始训练的模型，证明了我们提出的方法的有效性。
knowledge transfermulti-head feature adaptationwsi classificationdomain shiftstate-of-the-art performances
发现论文，激发创造
  • MulGT: 多任务图 Transformer，在全切片图像分析中注入任务感知知识并驱动领域知识汇聚

    该研究设计了一种新的多任务学习框架，结合了图转换器、任务感知知识注入和领域知识驱动的图池化模块，用于病理学家在对多个诊断任务进行实际临床诊断时的 WSI 分析。该框架的实验结果表明，相较于基于单任务的方法以及现有的技术，能够有效的提升诊断的准确率和鲁棒性。

    Feb, 2023

  • 领域特定预训练提高全切片图像分类的置信度

    该论文研究了域特定预训练模型对神经胶质母细胞瘤分类的影响和应用性，通过考虑目前最先进的多实例学习模型，CLAM 和 TransMIL，并评估模型的置信度和预测性能，表明域特定预训练有助于提高模型置信度并实现 WSI 基础的神经胶质母细胞瘤亚型分类的最新最佳性能。

    Feb, 2023

  • 学习发现知识：一种弱监督部分领域适应方法

    本文介绍了一种简单而有效的基于自适应学习的域自适应方法，称为自适应迁移分类器学习（SP-TCL），用于解决弱监督下的部分域自适应问题，通过精心设计的损失函数发现准确知识并在遵循自适应学习方案下从源域中迭代地排除示例，实现了目标域的成功适应，多项基准测试结果表明 SP-TCL 在多个广义域适应任务中明显优于现有方法。

    Jun, 2024

  • 无监督互相转换器学习用于多千兆像素全切片图像分类

    提出一种基于相互 Transformer 学习的全无监督 WSI 分类算法，并在公开数据集上进行了广泛实验，证明了该方法在 WSI 分类和癌症亚型分类方面的优越性能。

    May, 2023

  • 任务和领域跨界学习

    本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

    Apr, 2019

  • 通过学习的特征转换实现跨域少样本分类

    本文旨在解决度量方法下少样本分类领域差异的问题，使用特征转换层进行数据增强以模拟不同域下的特征分布，并应用 “学习学习” 方法搜索超参数来捕捉不同域下的特征分布变化，实验结果表明该方法适用于不同的度量模型，能够提高少样本分类准确性。

    Jan, 2020

  • 分类整张切片图像：什么是重要的？

    通过系统地研究 WSIs 分类算法的不同设计选择，我们发现全局上下文信息并非越多越好，而是以局部小区域的细节信息为主要特征，此外，相较于在更大的数据集上进行无监督预训练，我们发现在更小、更专注的数据集上进行预训练可以更好地区分输入补丁的微妙差异。

    Oct, 2023

  • 可转移的领域自适应语义增强

    本文介绍了一种新的领域自适应方法，即 Transferable Semantic Augmentation (TSA)，该方法通过隐式地生成目标语义，提高分类器适应能力，来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进行源特征的数据增强，该方法可轻松接入各种领域适应方法，取得了显著的改进效果。

    Mar, 2021

  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • 基于弱监督检测知识蒸馏的多标签图像分类

    本文提出了一种基于深度学习并利用弱监督检测模型去除物体标注信息的多标签图像分类方法，该方法能有效提高性能并保持高效。实验证明该方法在两个大型数据集（MS-COCO 和 NUS-WIDE）上均优于现有的先进方法。

    Sep, 2018