May, 2023

MiraBest: 一个用于机器学习的形态分类射电星系数据集

PDF
TL;DR本篇论文主要介绍了 MiraBest 数据集，该数据集是一个标准化处理的数据集，用于评估不同机器学习算法在天文学和天体物理学中的性能，并且与标准深度学习库兼容，包括样本选择、预处理方法等方面的详细说明，比较了 MiraBest 和其他数据集在文献中的使用情况，并且交叉匹配创建了拓展数据集。
automated machine learningastronomystandardized datasetsmirabest datasetradio-loud agn
发现论文，激发创造
  • 跨数据集分析测试平台

    本文开展了针对视觉图像识别中数据集偏见问题的大规模分析，通过将 12 个已有数据库组织成一个语料库，提供了一个有用的特征储存库以供未来研究使用。

    Feb, 2014

  • 走向 ML4EDA 的 Imagenets

    描述了在硬件域中策划、维护和扩大两个大规模、高质量数据集的挑战，以及有关数据集质量、安全性和硬件领域定制数据增强工具的使用的相关问题。

    Oct, 2023

  • 探索大规模公共医学图像数据集

    本文旨在探讨开放式医疗数据集的质量控制问题，通过对 ChestXray14 和 MURA 两个数据集的视觉比对，发现标签的准确性存在问题，该研究建议公开数据集制作者应当进行质量控制并提供详细的数据生成过程及标注规则描述。

    Jul, 2019

  • 对 ASSIRA 猫狗数据集进行各种预训练深度学习模型的基准分析

    通过比较不同预训练模型、优化器和损失函数的使用，以及改变超参数，本研究在 ASSIRA Cats & Dogs 数据集上实现了更高的准确性，证明了 NASNet Large 模型在此数据集上的优越性。

    Jan, 2024

  • GastroVision: 计算机辅助胃肠疾病检测的多类胃镜图像数据集

    为了在临床实践中整合实时人工智能系统，需要解决数据可用性、数据质量和缺乏多样性数据集等挑战。为此，我们介绍了 GastroVision，一个多中心开放获取的胃肠内镜数据集，该数据集包括来自胃肠道的 24 种不同病理异常、息肉切除病例和正常发现，提供了大规模、精确标记的多样化数据集，并验证了数据集的重要性。我们相信，该数据集可以促进基于人工智能的胃肠疾病检测和分类算法的开发。

    Jul, 2023

  • 地球观测深度学习的当前趋势：用于图像分类的开源基准竞技场

    本文介绍了 AiTLAS 基准测试套件，它是用于评估地球观测中图像分类的最先进深度学习方法的开源基准测试套件。我们对 500 多种模型进行了全面比较分析，以 22 个不同大小和属性的数据集为基础，并将它们与各种多类别和多标签分类任务进行比较，找到了一个通用而有效的模型。

    Jul, 2022

  • 检测和纠正多站神经影像数据集中的偏见

    本研究探讨了在神经影像学中处理数据集偏差的方法，通过结合 17 项研究的 35320 个磁共振成像脑图像来研究偏差，并提出数据集谐波化的方法以消除偏差及控制混淆因素。

    Feb, 2020

  • Met 数据集：艺术品实例级别识别

    该研究介绍了一个艺术品领域的大规模实例级别识别数据集，包含了许多具有挑战性的问题，同时结合了自监督和监督对比学习来训练骨干网络进行非参数分类，该数据集可用于鼓励探索不同领域上的领域独立方法。

    Feb, 2022

  • fastMRI：加速 MRI 的开放数据集和基准

    介绍了 fastMRI 数据集，旨在帮助人们通过提供一个自由获取的数据集和标准评估标准来加速通过机器学习方法进行 MR 图像重建的技术进步。

    Nov, 2018

  • MMIST-ccRCC：用于多模态系统开发的现实世界医学数据集

    该研究介绍了一个真实的多模态数据集 MMIST-CCRCC，其中包括 CT 和 MRI 放射学模态、组织病理学、基因组学和临床数据，共有 618 名肾细胞癌患者。研究展示了通过模态融合可以改善生存预测的结果，在存在不完整模态的情况下，即使遗漏率高达 90% 以上的 MRI 数据，融合模态仍会提高预测性能。

    May, 2024