Aug, 2023

改进乳腺摄影图像中的肿块检测：弱监督学习和类激活图方法的研究

PDF
TL;DR近年来，弱监督模型在使用乳腺 X 光照片进行肿瘤检测方面发挥了作用，减少了对像素级注释的需求。然而，大部分文献中的现有模型依赖于类别激活图 (CAM) 作为激活方法，忽视了探索其他激活技术的潜在益处。本研究探索并比较了不同的激活图与弱监督训练方法在乳腺 X 光照片中的检测效果。具体而言，我们在 GMIC 模型中研究了 CAM、GradCAM、GradCAM++、XGradCAM 和 LayerCAM 方法，并在 VinDr-Mammo 数据集上进行了评估，使用了精度、真阳性率 (TPR)、假阴性率 (FNR) 和每张图像的假阳性数 (FPPI) 这些度量指标。结果表明，在训练和测试阶段使用不同的激活图策略会改善模型性能。通过这种策略，我们改善了 GMIC 方法的结果，降低了 FPPI 值并增加了 TPR。
weakly supervised modelsmass detectionmammography imagesactivation mapsgmic model
发现论文，激发创造
  • UM-CAM：基于不确定性加权的多分辨率类激活图在弱监督下进行胎儿脑分割

    本文提出了一种基于 UM-CAM 的新型弱监督学习方法，利用语义特征和上下文信息探测，解决了采用图像级标签的弱监督分割方法中出现的活跃区域不完整的问题，对于胎儿脑分割任务取得了良好的性能。

    Jun, 2023

  • MetaCAM：基于集成的类激活图

    提出了基于集成的 MetaCAM 方法，结合多种现有的 Class Activation Maps 方法，通过对组件 CAMs 中最高激活像素的前 k% 的一致性进行集成，优化了深度学习模型预测中显著区域的定位性能，并通过自适应阈值方法改善了 CAMs 的性能。

    Jul, 2023

  • 一种基于置信度的 MRI 脑肿瘤分割之新型类激活映射方法

    本研究提出了一种新的基于信心度的类激活映射方法 (Cfd-CAM)，该方法在脑肿瘤图像分割方面具有更高的精度和更好的效果。

    Jun, 2023

  • 特征激活图：深度学习模型在图像分类中的可视化解释

    提出了一种名为功能激活映射（Feature Activation Map，FAM）的后期解释工具，以此来解释并理解没有全连接层的深度学习模型（如少样本学习图像分类、对比学习图像分类和图像检索任务），其原理是通过两个图像嵌入之间的相似性得出通道贡献权重，并将激活映射与相应的归一化贡献权重线性组合形成可视化的解释图。经过对十种深度学习模型进行的定量和定性实验表明，该算法的有效性。

    Jul, 2023

  • 弱监督物体定位的组合类激活图

    该论文提出了一种名为 NL-CCAM 的弱监督目标定位方法，通过使用组合类别激活映射，将非局部模块集成到现有的基础网络中，在代表性的目标定位基准测试中取得了卓越的性能，同时证明了所提出方法的广泛适用性。

    Oct, 2019

  • 可视化解释性的类激活图综述

    最近在深度学习方法学研究方面取得了一系列复杂的计算机视觉模型技术，达到甚至超过了人类的表现。然而，这些黑盒深度学习模型在可解释性和透明度方面存在一定限制，而这对将学习机器纳入涉及人类监督的敏感决策支持系统中是至关重要的。因此，解释性计算机视觉技术的发展近年来引起了越来越多的关注。在解释性计算机视觉领域中，类激活映射（CAMs）已被广泛认可和利用，以增强深度学习模型决策过程的可解释性和洞察力。本文全面概述了类激活映射方法随着时间推移的演变，并探讨了用于评估类激活映射的度量标准，并介绍了改善这些方法显著性的辅助技术。概述最后提出了未来研究的潜在方向。

    Sep, 2023

  • Grad-CAM：你为什么这样说？

    提出了一种基于 Grad-CAM 的透明度技术，通过可视化重要的输入区域来提高人类对卷积神经网络（CNN）模型的理解，帮助理解包括图像字幕和视觉问答（VQA）模型在内的基于 CNN 的模型，并通过测量它们的分类能力、人类可信度和与遮挡地图的相关性来评估它们的视觉解释。

    Nov, 2016

  • MinMaxCAM：基于 CAM 的弱监督定位中提升目标覆盖率

    本文提出了两种表示规范机制：完整区域规范化和公共区域规范化，以解决弱监督目标定位中存在的对象覆盖不准确的问题，并且在 ImageNet，CUB-200-2011 和 OpenImages-segmentation 数据集上得到了显著优于现有方法的结果。

    Apr, 2021

  • 无监督对象定位和语义分割中，不考虑类别的激活映射对比学习

    该研究提出了使用无标签图像数据进行不需要图像级监督的类无关激活图生成的对比学习方法（Contrastive learning for Class-agnostic Activation Map），得到了更完整的物体区域，并应用于弱监督目标定位和语义分割中。

    Mar, 2022

  • 基于区域分类激活图的弱监督目标定位袋装技术

    本文提出了一种名为 BagCAMs 的插入式机制，使用该机制可以让弱监督目标定位方法（WSOL）的性能得到大幅提高，并在三个 WSOL 基准测试上获得最佳表现。BagCAMs 采用了区域本地化器生成（RLG）策略来定义一组区域本地化器，并从训练有素的分类器中导出它们。

    Jul, 2022