Apr, 2023

基于不确定性启发的开放集学习用于视网膜异常识别

PDF
TL;DR本研究提出了一个基于不确定性的开放集模型，可用于正确识别视网膜异常，该模型还可以计算不确定性得分以表达其自信度。使用阈值策略的 UIOS 模型在三个测试集上的 F1 得分分别为 99.55％，97.01％和 91.91％，比标准 AI 模型的 F1 得分 92.20％，80.69％和 64.74％要高，能够有效解决现实场景中 AI 的主要局限性之一。
uncertainty-inspired open-set modelretinal anomaly classificationartificial intelligenceprobabilityuncertainty score
发现论文，激发创造
  • 基于光学相干断层扫描图像的不确定性估计提升基础模型的诊断可靠性

    我们使用不确定性估计的基础模型来检测光学相干断层扫描（OCT）上的 11 种视网膜病变，模型在内部测试集上获得了 96.76% 的 F1 得分，在阈值策略下进一步提高至 98.44%；在其他 OCT 设备获取的外部测试集上，模型的准确率为 88.75% 和 92.73%，我们的模型在真实世界中的临床开放环境中提供了可信赖的自动视网膜异常检测方法。

    Jun, 2024

  • 自我监督的机器学习在医疗专家匮乏的多种眼底疾病诊断中的应用

    我们提出了一个通用的无监督机器学习框架，可以处理不同的未标记的眼底图像，达到了超过现有监督方法的 AUC，并且甚至超过了单个人类专家的表现。此外，我们的模型在来自不同地区、种族和多台相机或设备的异构图像源或质量的各种数据集上都适应良好。我们的方法提供了一个无需标签的通用框架来诊断眼底疾病，这可能有利于早期筛查视力受损风险的远程医疗计划。

    Apr, 2024

  • 未知管理：开放集合识别与相关领域综述

    本文综述开放集识别领域的最新文献，识别常见实践、限制和与连续学习、分布外检测、新颖性检测和不确定性估计等机器学习研究领域的联系，揭示了开放集识别领域的开放问题，并提出了几个研究方向，以促进和规范未来对更安全的人工智能方法的努力。

    Dec, 2023

  • OpenAUC: 面向 AUC 导向的开放集识别

    本文对开放集识别任务中现有度量方法进行系统分析，并提出了一种新的度量方法 OpenAUC，旨在解决现有方法的不一致性问题。最终，本文提出了一种基于端到端学习的方法，通过最小化 OpenAUC 风险来实施开放集识别。实验结果表明，该方法具有良好的性能。

    Oct, 2022

  • 计算机辅助诊断中的不确定性量化：让你的模型对模糊病例说 “不知道

    对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

    Aug, 2019

  • 用生成模型解耦视网膜图像的表示

    通过引入新颖的人群模型和基于距离相关性的解缠结损失函数，我们成功实现了视网膜底图像的控制性和高度逼真的生成，并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。

    Feb, 2024

  • 未知身份拒绝损失：利用无标签数据进行人脸识别

    本文提出 “未知身份拒绝”（UIR）损失，通过利用未标记的数据进一步提高人脸识别性能。对于被归类于未受约束的环境中的身份，我们将其分为已知集合和未知集合。除了训练模型以准确分类已知身份，我们还通过所提出的 UIR 损失使模型拒绝未标记数据提供的未知身份。利用所提出的方法，可以增强人脸表示的区分度，实验结果表明，我们的方法可以明显提高利用未标记数据的人脸识别性能。

    Oct, 2019

  • 被错误分类的样本是魔鬼：迈向统一的开放集识别

    本文深入分析了 UOSR 任务在不同训练和评估设置下的性能，并评估了几种 OSR 方法的 UOSR 性能。我们发现 UOSR 性能明显优于相同方法的 OSR 性能，原因在于已知但错误分类的样本。我们还探讨了 OSR 的两种训练设置如何影响 UOSR，提出了新的评估设置 few-shot UOSR，并提出了 FS-KNNS 来实现在所有设置下的最先进性能。

    Feb, 2023

  • 统一的分类和拒绝：一对多的框架

    通过使用统一框架和混合训练策略，本文在开放世界模式识别中建立了一个能够同时进行分类和拒绝未知输入的开放集分类器，实验证明该方法在闭集分类、未知输入检测和错误分类检测中表现竞争性。

    Nov, 2023

  • 开放集图像识别综述

    本文总结了最新的开放式图像识别方法的发展，主要包括了基于深度神经网络的方法在粗粒度和细粒度数据集上的性能比较以及对比分析，同时讨论了该领域的若干开放问题和未来可能的研究方向。

    Dec, 2023