半监督医学图像分类的类别特定分布对齐

Jul, 2023

半监督医学图像分类的类别特定分布对齐

Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification

Zhongzheng Huang, Jiawei Wu, Tao Wang, Zuoyong Li, Anastasia Ioannou

TL;DR提出一种基于自我训练的半监督学习框架，通过改变向量空间中边缘预测的基础，捕捉有关标记和未标记数据的类依赖性边缘预测，以避免对多数类别的偏见，从而解决医学图像分类中的数据注释耗时和类别分布不平衡的问题。

Abstract

Despite the success of deep neural networks in medical image classification, the problem remains challenging as data annotation is time-consuming, and the class distribution is imbalanced due to the relative scar

deep neural networks medical image classification semi-supervised learning imbalanced datasets distribution alignment

发现论文，激发创造

半监督医学图像分割与协同分布对齐

本文提出了一种基于 Co-Distribution Alignment (Co-DA) 的半监督医学图像分割方法，通过对无标签数据和有标签数据的边际预测进行类别对齐，并设计了过度期望交叉熵损失来减少伪标签中的噪声，实验结果表明该方法在多个公共数据集上优于现有半监督医学图像分割方法。

Jul, 2023

通过增强分布对齐的半监督学习

本文提出了一种简单而有效的半监督学习方法，称为增强分布对齐，以解决有限标记样本导致的采样偏差问题，并介绍了一些实现策略（比如采用对抗式训练、插值策略等），同时在 SVHN 和 CIFAR10 数据集上进行了验证。

May, 2019

跨对抗本地分布正则化的半监督医学图像分割

通过引入新的交叉对抗局部分布（Cross-ALD）正则化方法，进一步增强医学图像半监督分割任务中的平滑性假设，本文在公共 LA 和 ACDC 数据集上进行了全面的实验，并取得了最先进的性能。

Oct, 2023

领域适配的语义聚焦

本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

Aug, 2021

DHC: 双修正异构协同训练框架用于类别不平衡的半监督医学图像分割

提出一种新颖的双消除偏见异构协同（DHC）框架，用于半监督 3D 医学图像分割，该框架通过两种损失加权策略（DistDW 和 DiffDW）动态利用伪标签引导模型解决数据和学习偏差，并且通过协同训练两个准确的子模型显著提高，实验结果表明我们的方法克服了类别不平衡问题，优于当前的半监督学习方法，在更具挑战性的半监督设置中显示出潜力。

Jul, 2023

CLDA：对比学习用于半监督领域自适应

本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

Jun, 2021

基于语义分布感知的语义分割对比自适应

该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。

May, 2021

半监督领域适应医学图像分割通过一致性规则的解耦对比学习

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

分类器秘密地满足多源域自适应

该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法，并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应，该方法被称为 Self-supervised Implicit Alignment (SImpAl)。通过在五个基准测试上的全面评估，展现了该方法的有效性。

Mar, 2021

基于注意力的多源域自适应目标检测中的类别条件对齐

领域自适应方法针对目标检测（OD）旨在通过促进源域和目标域之间的特征对齐来减轻分布偏移的影响。多源域自适应（MSDA）允许利用多个带注释的源数据集和未标记的目标数据以提高检测模型的准确性和鲁棒性。最先进的 MSDA 方法通常采用类不可知的特征对齐，但由于不同领域中对象的外观变化而产生了独特的模态信息，这是具有挑战性的。最近的基于原型的方法提出了一种针对类别的对齐，但由于噪声伪标签导致的误差累积，这可能会对不平衡数据的适应产生负面影响。为了克服这些限制，我们提出了一种基于注意力的类条件对齐方案，用于 MSDA，该方案通过对齐每个对象类别的实例来实现。特别地，注意力模块与对抗性域分类器相结合，可以学习域不变和类别特定的实例表示。对多个基准 MSDA 数据集进行的实验结果表明，我们的方法优于现有方法，并且对于类别不平衡具有鲁棒性。我们的代码可在此 https URL 中找到。

Mar, 2024