Jul, 2023

基于双层优化的组织病理学图像自动数据增强学习

PDF
TL;DR通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。
deep learning modelhistopathological imagesdata augmentationbilevel optimization approachhistopathological images
发现论文，激发创造
  • 使用在线双层优化学习图像分类数据增强

    本研究提出了一种用双层优化训练网络的方法，以自动学习有效的数据增强转换的分布，从而提高其泛化性能并与分类器等模型联合训练，实现数据增强的最优化，相较于手工优化方式，本方法在图像分类准确性上表现更好同时无需昂贵的数据增强超参数外部验证循环。

    Jun, 2020

  • 基于解剖知识的数据增强方法增强前列腺癌检测

    通过模拟前列腺的典型生理变形并生成独特病变形状，我们提出了一种新的解剖学感知变形方法，将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性，从而提高计算机辅助诊断系统对前列腺癌的检测效果。

    Sep, 2023

  • 克服病理图像数据不足：基于病理转化过程生成图像

    基于深度学习的自适应深度控制双向扩散（ADBD）网络通过域迁移方法，可以与小的训练集合一起工作，并通过源信息引导克服扩散过拟合。该网络通过混合全局和局部关注优先级指导双向扩散，确保迁移成功。此外，它还通过自适应深度控制策略模拟生理转化，能够生成具有相应软标签的无限交叉领域中间图像。ADBD 网络对克服病理图像数据不足具有有效性，并且支持进一步病理学相关研究。

    Nov, 2023

  • 基于深度学习的有限数据加速 MRI 重建中的数据增强

    本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

    Jun, 2021

  • 基于 MCTS 的前列腺 MRI 分割动态数据增强

    本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

    May, 2023

  • 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

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

    Oct, 2023

  • 领域对抗神经网络解决组织病理学图像外观差异问题

    通过对颜色进行增强和基于领域对抗训练的方法，可以改善深度学习方法的泛化能力，从而提高乳腺癌组织学图像中有丝分裂的检测效果。

    Jul, 2017

  • DADA: 可微分自动数据增强

    本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

    Mar, 2020