完全贝叶斯 VIB-DeepSSM
该文章提出使用基于深度学习的新方法 Image2SSM 进行统计形状建模,通过图像分割对解剖形态进行低维度形状特征提取,构建具有数据自适应能力的解剖形态的统计学模型,可以处理大型数据集。实验结果表明,该方法相对于传统方法具有更好的效果。
May, 2023
通过简单的案例研究,我们展示了变分信息瓶颈(VIB)不仅可以提高神经网络的分类校准能力,还可以改善其检测未知数据的能力,并提供了两个量化和处理不确定性的自然度量。
Jul, 2018
通过分析解剖结构的形态来研究生理学,统计形态建模是一种用于定量解析解剖结构形态差异的工具。然而,传统的形态建模方法复杂耗时,线性假设限制了模型的应用范围。最新的深度学习技术能够直接从未分割的医学影像中推断统计形态模型,简化了流程并提升了可用性。然而,现有的图像建模方法在数据质量较差或仅有稀疏信息的情况下不足够有效。因此,我们提出了 SPI-CorrNet,一种从稀疏影像数据中预测三维对应关系的统一模型。通过引入教师网络进行特征学习和适应输入方差预测来量化数据相关的不确定性。实验结果表明,我们的技术提高了稀疏图像驱动的统计形态建模的准确性和稳健性。
Jul, 2024
本文提出 “Deep Variational Information Bottleneck” 方法,通过可变分近似来将信息瓶颈模型参数化,使用神经网络和重新参数化技巧进行高效训练。结果显示,使用 VIB 优化训练的模型在泛化性能和对抗攻击鲁棒性方面优于其他正则化方法。
Dec, 2016
本研究提出了一种名为 VIBUS 的有效的两阶段框架,用于通过利用巨大的未标记点解决数据有效的 3D 场景解析任务。通过在未标记点上进行自我监督表示学习和基于不确定性光谱建模从稀疏标签中收集伪标签,该方法在公共基准 ScanNet 上实现了最先进的结果,克服了当前使用完全监督模型的局限性。
Oct, 2022
利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法,既能捕捉形态的人群统计特征,又能减少推理负担和放松输入要求,这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。
May, 2023
MASSM 是一种新的端到端深度学习框架,能够同时在图像中定位多个解剖结构,估计群体级别的统计表示,并勾画出每个解剖结构。
Mar, 2024
通过多尺度学习和形状先验,提出了一种新的训练策略 “渐进式 DeepSSM”,用于从医学图像中训练图像到形状深度学习模型,实验证明该策略提供了更好的模型性能。
Oct, 2023
通过信息论,我们提出了一个可以重新演绎和推广现有变分方法,并设计新方法的统一原则。我们的框架基于多变量信息瓶颈的解释,其中两个贝叶斯网络相互权衡。我们将第一个网络解释为编码器图,指定了在压缩数据时要保留哪些信息;我们将第二个网络解释为解码器图,为数据指定了生成模型。利用这个框架,我们重新演绎了现有的降维方法,如深度变分信息瓶颈 (DVIB),Beta 变分自动编码器 (beta-VAE) 和深度变分规范相关分析 (DVCCA)。该框架在 DVCCA 算法族中自然引入了一个压缩和重建之间的权衡参数,从而产生了新的 Beta-DVCCA 算法族。此外,我们推导出了一种新的变分降维方法,深度变分对称信息瓶颈 (DVSIB),它可以同时压缩两个变量以保留它们压缩表示之间的信息。我们实现了所有这些算法,并在经过修改的噪声 MNIST 数据集上评估它们产生共享低维潜空间的能力。我们展示了与数据结构更匹配的算法 (Beta-DVCCA 和 DVSIB) 如何通过分类准确性和潜变量的维度来测量产生更好的潜空间。我们相信这个框架可以用来统一其他多视图表示学习算法,此外,它还为推导问题特定的损失函数提供了一个直观的框架。
Oct, 2023