Sep, 2023

借助坚强的样本重新挖掘策略实现健壮的植物疾病诊断

PDF
TL;DR基于 YOLO 的自动植物病害诊断系统通常优于基于 EfficientNet 的分类系统，但是存在识别正常图像时产生误检测的问题。本文提出了一种名为 HSReM 的简单而有效的训练策略，通过选择适当难度的训练图像来增强正常数据和病害数据的诊断性能，实验结果表明该策略在大规模未知数据上比传统方法具有更好的综合性能。
automated plant disease diagnosisobject detectionhard-sample re-miningdiagnostic performancehsrem
发现论文，激发创造
  • 使用在线困难样本挖掘训练基于区域的物体探测器

    本研究提出了一种称为 OHEM 的在线硬负样本挖掘算法，可以提高目标检测中基于区域卷积神经网络的检测器的性能，尤其是在难度较大且数据规模较大的数据集上表现出色

    Apr, 2016

  • 人机合作：自监督样本挖掘的目标检测

    该论文提出了一种基于自监督样本挖掘（SSM）过程的主动学习（AL）框架，针对目标检测中的真实挑战，通过自动发现和伪标记可靠的区域提案来增强目标检测器，逐步将未标注或部分标注的数据纳入模型学习中，同时最大限度地减少用户的注释工作。对两个公共基准的广泛实验清楚地表明，该框架可以实现与最先进方法可比较的性能，并显著减少注释次数。

    Mar, 2018

  • 半监督物体检测中的低置信度样本挖掘

    该论文提出了一种新颖的低置信度样本挖掘方法（Low-Confidence Samples Mining，LSM），该方法能够有效地利用低置信度的伪标签实现半监督目标检测（SSOD），并通过自蒸馏的方法弥补两者的不足，该方法在 5% 标注比率下，相对于最先进的方法，在 MS-COCO 基准测试中提高了 3.54％的 mAP。

    Jun, 2023

  • DeepSMILE: 自监督异质感知多实例学习用于基于 H&E 全切片图像的 DNA 损伤响应缺陷分类

    提出了 DeepSMILE，一个深度学习弱标签学习方法，用于需要分析 Hematoxylin 和 Eosin 染色的肿瘤细胞的 WSI，无需像素级或瓦片级注释，使用自监督预训练和异质性感知的深度多实例学习进行学习，用于 HRD 和 MSI 预测，将其与最先进的基因组标签分类方法进行比较，DeepSMILE 在多中心乳腺和结直肠癌数据集中提高了 HRD 和 MSI 的分类性能。

    Jul, 2021

  • 损失排序挖掘：一种适用于实时检测器的通用难例挖掘方法

    本文提出了基于 Loss Rank Mining 的通用困难例子挖掘方法，可适用于实时检测器，通过使用该方法，可以在实时检测过程中发现困难样本，从而有效提高检测精度。实验结果表明，该方法可以使 YOLOv2 检测器在自动驾驶相关数据集 KITTI 和更通用的数据集 PASCAL VOC 上的 mAP 值分别提高 5% 和 2%。

    Apr, 2018

  • 视频无监督困难样本挖掘以提升物体检测

    通过对视频数据分析，提出一种利用孤立检测结果自动获取大量 hard negative 和 hard positive 的方法，用于在多项物体检测数据集中重新训练神经网络并显著提升检测表现。

    Aug, 2018

  • 人物可泛化再识别的增强难例挖掘

    通过在公共嵌板数据集上应用增强的难例挖掘方法，从而实现不使用目标领域信息时具有良好效果的人物再识别（Re-ID）性能。

    Oct, 2019

  • 余量样本挖掘损失函数：一种基于深度学习的行人再识别方法

    本文提出了一种新的度量学习损失，称为边际采样挖掘损失（MSML），它采用硬样本挖掘，并能够比其他度量学习损失（如三元组损失）获得更好的精度。在实验中，我们的方法在 Market1501、MARS、CUHK03 和 CUHK-SYSU 等数据集上的性能超过了大多数最先进的算法。

    Oct, 2017

  • 病变收割者：大规模迭代挖掘未标记的病变和难负样本

    通过使用小规模的医学图像体积样本来智能地从剩下的样本中挖掘出存在的缺失标注，我们提出了一个强大的系统来从 DeepLesion 数据集中高精度地提取缺失的病变。

    Jan, 2020

  • 高分辨率遥感卫星图像中稀有目标检测的引导方法

    本文提出了一种解决罕见物体检测任务的方法，通过离线和在线聚类方法，显著提高样本曝光效率并实现有效的机器学习地图绘制。以肯尼亚和坦桑尼亚的塞伦盖蒂玛拉地区的 bomas 检测为例，实验证明了检测效率的显著提升，预算为 300 个样本总数时的 boma 检测任务的 F1 分数为 0.51。

    Mar, 2024