Jun, 2023

UOD: 解剖标志通用单次检测

PDF
TL;DR提出了一种医疗图像领域自适应的单次学习里程碑检测框架（UOD），通过使用两个阶段的通用模型和领域特定模块，实现了多领域无标签数据的领域偏好适应，并在 X-ray 头，手和胸部三类不同解剖部位的公共数据集上获得了最先进的表现。
one-shot learninglandmark detectiondomain adaptationmedical imagesconvolution model
发现论文，激发创造
  • 无监督领域适应在解剖标志检测中的应用

    我们提出了一种基于无监督领域自适应的解剖标志点检测新框架，利用自我训练和领域对抗学习来处理适应过程中的领域差异，通过选择可靠的动态阈值标签进行目标领域数据的自适应，以及通过对抗训练学习领域不变特征来处理两个领域的不对齐数据分布，实验证明该方法在头影测量和肺标志点检测方面有效，显著减小了领域差距并且持续优于其他无监督领域自适应方法。

    Aug, 2023

  • 一次探测医学标志物

    本文提出了一种名为 CC2D 的新型框架，用于医学图像中的一次性地标检测任务。该框架分为两个阶段：自监督学习（CC2D-SSL）和带伪标签训练（CC2D-TPL），具有较高的检测准确率。

    Mar, 2021

  • 一次性无监督跨域检测

    本篇论文介绍一种多任务架构的目标检测算法，利用一次性适应的方法，自动适应不同的域，无需访问大量的目标数据，其中利用自监督任务和伪标签方法加强了适应，对比最新的跨域检测方法，研究结果显示该方法有优势，是 one-shot 情况下的最佳方法。

    May, 2020

  • 使用姿态引导的二阶段聚类进行无监督地标发现的自训练

    使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

    Mar, 2024

  • 提案层次的无监督域自适应方法用于开放世界无偏探测器

    本研究旨在通过重新定义任务的方式，在无监督域适应的条件下构建一个无偏的前景预测器，利用领域内不变的前景特征学习预测器，从而实现对外观变化的应对能力，本方法在各种检测框架和无监督域适应方法中可实现自适应，经 OWOD 评估验证其在性能上达到了最新水平。

    Nov, 2023

  • 通过学习多个异质标记数据集实现通用病变检测

    提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了 29%。

    May, 2020

  • 通用领域自适应物体检测器

    我们提出了 US-DAF 方法来解决通用域自适应目标检测中的负迁移问题，提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现：1）设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2）引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明，US-DAF 方法在三种场景下均达到了最先进的结果，并在 Clipart1k 和 Watercolor 基准数据集上获得了 7.1％和 5.9％的相对改进。

    Jul, 2022

  • 简化即是美：针对腹部超声图像的同时视图分类与标志点检测

    通过使用多任务学习和卷积神经网络，提出了一种自动分类和检测腹部器官的方法，实验结果表明，该方法能够在单个网络中完成所有任务，提高特征提取的效率以及分类和测量的准确性。

    May, 2018

  • 基于域注意力的通用物体检测

    本研究提出了一种基于通用表示法的物体检测系统，通过引入适应层和域注意力机制，实现了跨域检测，且在 11 个数据集上表现优于其他检测器。

    Apr, 2019

  • 无源领域自适应遥感图像物体检测

    该研究提出了一种针对遥感图像的实际无源目标检测方法，通过扰动域生成和多层次对齐实现目标域适应，验证了该方法的有效性，并表明该方法可以扩展到其他领域。

    Jan, 2024