Jun, 2023

上下文交叉密度适应在噪声乳腺 X 线异常检测中的应用

PDF
TL;DR本文研究了乳腺密度分布对深度学习模型在乳腺 X 光照片中的泛化性能的影响，并使用 VinDr-Mammo 数据集探索了域自适应技术，特别是噪声潜在可转移性探索（NLTE）框架下的域自适应目标检测（DAOD）来改善模型性能。结果显示，DAOD 和所提出的增强框架可以提高深度学习模型的泛化性能，特别是在乳腺密度分布的情况下，这对乳腺 X 光照片具有重要意义。
发现论文，激发创造
  • 面向嘈杂标注下的鲁棒自适应目标检测

    本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

    Apr, 2022

  • 基于密度无关的三维物体检测无监督域自适应

    提出一种密度无关的模型，基于点云数据进行 3D 物体检测。采用了一种随机光束重新采样的方法，对目标领域数据进行训练，实现克服领域差异的目的。实验证明该方法显著提高了检测精度和泛化性能，特别在领域数据不均匀的情况下表现优异。

    Apr, 2023

  • MammoDG：泛化深度学习突破多中心交叉领域乳腺癌筛查的限制

    通过开发 MammoDG，一个新颖的深度学习框架，借鉴多视角乳房 X 光和一种新颖的对比机制以提高泛化能力，研究人员证明了领域泛化对于可靠的乳房 X 光分析中的重要性，突出了该方法的优越性。

    Aug, 2023

  • MammoDL：使用联邦学习的乳腺 X 线密度估计

    MammoDL 是一种开源软件工具，采用 U-Net 架构来准确估计乳腺密度和复杂性，通过 Open Federated Learning 在多个机构的数据集上实现了安全训练，与其他模型相比，该模型更轻便、更灵活，因为联邦学习使其在更大、更具代表性的数据集上训练，从而提高了泛化能力。

    Jun, 2022

  • 利用图生成提升领域自适应物体检测

    通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

    Apr, 2024

  • 深度域自适应目标检测：一份综述

    本文综述了关于深度域自适应物体检测方法的最新研究进展及分类，并给出了每个分类的代表性方法详细描述，同时探讨了未来的研究趋势。

    Feb, 2020

  • 利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据

    本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

    May, 2023

  • 领域自适应目标检测的强健学习方法

    本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

    Apr, 2019

  • 目标检测中的域通用化

    本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除 RoI 特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

    Mar, 2022

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019