基于步态的生物标志物的自监督学习
通过使用选择性强数据增强 (SSA) 的对比学习框架,通过有限标记的步态数据获得更加有效的情感表示,从而提高步态情感识别的效果。
May, 2024
提出了一种自我监督步态识别方法 ——SelfGait,利用海量、多样的未标记步态数据作为预训练,以提高时空骨干的表示能力,经过在 CASIA-B 和 OU-MVLP 基准步态数据集上的实验,证明了所提方法相对于四种最先进的步态识别方法的有效性。
Mar, 2021
通过自监督预训练技术(SSP),本研究旨在评估彻底自监督学习技术在计算机视觉任务中的有效性,无需微调,旨在模仿人类的泛化和识别未见目标的能力,并提出了一种基于标注块的零样本分割评估协议,以及评估 SSP ViTs 的内部和外部物体相似性来衡量其歧视能力,并设计了一种名为 MMC 的简单 SSP 方法,该方法通过对局部特征的相似性进行蒙版图像建模、基于动量的自蒸馏将全局语义转移到局部特征以及全局对比度来提升 SSP ViTs 的区分能力,有效地在图像中进行物体分割,实验结果显示 MMC 在各种数据集上实现了零样本语义分割的顶级效果。
Aug, 2023
自我监督学习 (SSL) 是一种有效的方法,可以从大规模无标签数据中学习表示,对时间序列分析显示出有希望的结果。本文从对比和生成两个主要流派对比研究了时间序列中的自我监督表示学习。我们首先介绍了对比和生成 SSL 的基本框架,并讨论了如何获得指导模型优化的监督信号。然后,我们分别为每种类型实现了经典算法 (SimCLR vs. MAE),并在公平的环境中进行了比较分析。我们的结果提供了每种方法的优势和劣势的见解,并为选择合适的 SSL 方法提供了实用的建议。我们还讨论了我们研究结果对更广泛的表示学习领域的影响,并提出了未来的研究方向。所有的代码和数据都在 https://github.com/DL4mHealth/SSL_Comparison 发布。
Mar, 2024
本文介绍了一种利用自监督学习和对比学习实现的影像分割技术,该技术可以在大量没有标注数据的情况下学习,并且在三个磁共振成像数据集上验证了其有效性。
Jun, 2020
应用对比自监督学习方法,以及音频增强技术,通过学习泛化的心音图信号表示,检测心音图样本中的异常情况,并在多个数据集上进行了广泛的评估,证实了对比自监督学习方法可以提供具有鲁棒性的分类器,能够在未见过的数据上进行泛化,而无需专家进行耗时耗力的注释过程。
Dec, 2023
本文提出了一种自监督学习方法用于学习一个通用的、具有信息的 PPG 表示,并将其用于活动和睡眠阶段的识别以及更普遍的健康状态预测,结果表明在标记数据稀缺时,使用 SSL 对于简单分类器的训练表现更好,同时也发现 SSL 的结果集中于编码受试者,因此对于标记数据不足的情况有一定局限性。
Dec, 2022
介绍了一种新的自监督学习方法和使用 transformer blocks 的模型,能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。
May, 2023
本文提出了一种新的编码框架,它依赖于自监督学习来学习各种生理领域的多元时间序列的表示,从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题,并得出新方法可以学会区分特征被用于下游分类任务。
Jun, 2023
本研究中,我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达,提出了一种用于人类活动识别的动态时间规整 (DTW) 算法,强制特征在时间维度上对齐。我们的实验结果显示,该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力,并在半监督学习中明显优于监督模型。
Oct, 2022