这篇论文介绍了一种新的原型分布生成学习方法,名为 MGProto,它使用高斯混合模型表示原型分布,并结合原型多样性目标函数来提高表示能力和减少冗余,同时利用其生成性质实现了有效的异常样本检测。实验结果表明 MGProto 在分类和异常样本检测方面取得了最先进的性能,并具有令人鼓舞的可解释性结果。
Nov, 2023
使用深度学习、高斯混合模型和卷积神经网络方法,本研究提出了一种可以快速预测标签概率的图像分割方法,并且能部分克服高斯混合模型中忽略相邻像素相关性的缺点,通过在多序列 MRI 图像上进行心肌梗塞分割的实验证明了该方法的优势。
Apr, 2024
通过利用 GMM 模型,我们提出了一种多原型对比学习的领域自适应语义分割方法,以实现源域和目标域之间的领域对齐,并在 UDA 基准测试中展示出了方法的有效性。
Jun, 2024
本研究提出了一种框架,可以学习原型图,从而同时提供准确的预测和基于原型的解释,用于自我解释的图神经网络,实验结果表明其在真实和人工数据集上都具有良好的预测和解释质量。
Oct, 2022
本文提出两种新的模块(SGC 和 GPA)和一种轻量级模型(ASGNet),用于多原型提取和分配,并且通过在 COCO 上的实验结果表明 ASGNet 在 5-shot segmentation 中可以超越现有技术方法的 5%。
Apr, 2021
GMMSeg 提出了一种使用密集生成分类器进行分割的新型分割模型,以捕获类条件密度并在具有各种分割架构和 Backbone 的情况下优于鉴别模型,即使在开放性的数据集上也表现良好。
本论文提出了 ExPeRT:一种可解释的基于原型的回归模型,该模型通过学习的原型的距离和标签的加权平均值进行样本预测,并实现了对成人 MR 和胎儿超声图像数据集的脑龄预测的最新性能。
Jun, 2023
本文提出了一种利用潜在原型的对比增强方法来提高 few-shot 分割模型性能的方法,通过采样模块生成伪掩模和新的原型,从而提高原型和查询特征之间的相似性信息的利用率,并通过对比增强模块来提高预测性能。实验证明,该方法在 Pascal-5^i 和 COCO-20^i 的 1-shot 和 5-shot 分割任务中的性能明显优于现有方法,尤其在 5-shot 任务中,性能分别比基准提高了 5.9% 和 7.3%。
Mar, 2022
本研究提出一种原型图解释方法(PAGE),通过发现人类可解释的原型图来解释 GNN 模型在图分类中所学到的内容,从而提供比基于实例的解释更为简洁和全面的解释,PAGE 表现比基于模型的其他解释方法更为优秀,具有稳健性和计算效率。
本文提出了一种称为 Prototype Graph Neural Network(ProtGNN)的新型网络结构,它将原型学习与图神经网络相结合,从而为 GNN 的解释提供了新的视角。在 ProtGNN 中,解释是从基于案例的推理过程中自然推导出来的,并在分类期间实际使用。通过将输入与潜在空间中学习的几个原型进行比较,ProtGNN 可以获得其预测结果。与此同时,为了更好地进行解释和提高效率,在 ProtGNN + 中增加了一种新颖的条件子图抽样模块,用于指示输入图的哪一部分与 ProtGNN 中的每个原型最相似。在广泛的数据集中评估我们的方法,并进行具体的案例研究。结果表明,ProtGNN 和 ProtGNN + 能够提供内在的可解释性,同时实现与非可解释性对应物的准确性。
Dec, 2021