利用旧知识持续学习医学图像中的新类别
本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明,单一模型可以顺序地学习来自不同专业的新任务,并达到与传统方法相当的性能,从而证明了在医学领域跨机构共享或回收模型的可行性,进一步推动了通用医学影像人工智能的发展。
Nov, 2023
本文提出了一种应用于医学图像分割的增量学习框架,并提出了用于选择代表性数据的新方法,使用 MR 图像在不同情景下进行了比较评估,证实了使用该方法可以增加学习能力。
Jun, 2018
提出了一种新型的、无需实际数据的分类增量学习框架,采用数据合成的方式生成虚拟数据大大缓解了灾难性遗忘现象,采用余弦归一化交叉熵损失、边际损失和领域对比损失来优化模型的分类性能,将该方法与现有方法进行比较实验,并在诊断心脏超声图像方面取得了很好的效果。
Jun, 2022
在医学影像分析中,深度学习算法的快速发展使得医学影像分析取得了显著的进展,但是在推理数据集与模型训练时所见数据略有不同的情况下,模型的性能会受到很大影响。因此,需要采用连续学习技术来处理新类别、新任务和非稳态环境中的数据变化。本系统综述论文对连续学习技术在医学影像分析中的应用进行了全面的概述,包括灾难性遗忘、数据漂移、稳定性和可塑性要求等方面的研究,同时对连续学习方案、技术、评价方案和指标等关键组成部分进行了深入讨论。
Dec, 2023
通过在固定特征提取器上建立贝叶斯生成模型,该研究提出了一种解决深度学习中灾难性遗忘问题的方法,并在多个医学和自然图像分类任务上表现出优异的表现。
Apr, 2022
医学成像的分类问题具有新类别和域偏移的挑战,本文提出了一种名为伪标签重播的新方法,通过结合重播和伪标签方法的优势以解决现有的限制,有效地应对挑战并展现卓越性能和最小的遗忘。
Apr, 2024
该论文提出了一种增量学习框架,针对在线学习场景下的两个主要障碍,即新类的学习和旧类的新观测值的变化。通过引入修改的交叉蒸馏损失和两步学习技术来解决问题(1),并提供通过更新范例集合减轻问题(2)的简单而有效的方法,并在基于 Food-101 数据集的在线食品图像分类的真实应用中展示了该方法的性能。
Mar, 2020
本文提出一种基于 EM 框架的领域感知的持续学习方法来应对在增量学习中类分布和域分布的变化问题,使用基于 von Mises-Fisher 混合模型的灵活类表示来捕获类内结构,采用内部平衡和交叉类数据的处理方式来设计双层平衡记忆,并结合蒸馏损失实现更好的稳定性和可塑性权衡。经过大量实验,表明该方法在三个基准数据集上均优于现有方法。
Apr, 2022
本文提出并验证了一种纠正新旧类别数据不平衡问题的方法,利用一个线性模型矫正了全连接层的弱分类偏见,在两个大型数据集 ImageNet 和 MS-Celeb-1M 上比现有算法表现更好。
May, 2019
一项新的增量学习方法使用少量的示例集合来学习深层神经网络,解决了深度学习中的灾难性忘记问题,在 CIFAR-100 和 ImageNet(ILSVRC 2012)图像分类数据集上取得了最先进的成果。
Jul, 2018