Oct, 2023

面向体积医学图像分割的通用半监督框架

PDF
TL;DR通过提出聚合和解耦框架，本文旨在开发一种通用的半监督学习框架，以解决三个不同背景下的问题：分布不变特征的捕获能力弱以及在训练过程中未标记数据被标记数据所压倒引起的过拟合问题。所提出的框架在四个基准数据集的评估中表现出显著的改进，证明其在更具挑战性的半监督学习场景中的潜力。
volume-wise labelingsemi-supervised learningunsupervised domain adaptationsemi-supervised domain generalizationaggregating & decoupling framework
发现论文，激发创造
  • SSL-DG: 对医疗图像分割中的半监督学习和领域泛化进行反思和融合

    通过联合使用半监督学习与领域泛化方法，提出了 SSL-DG，实现了在有限标注数据下的跨域泛化效果，并在两个具有挑战性的领域泛化任务中显著优于现有方法。

    Nov, 2023

  • 开放场景半监督医学图像分类

    本文提出一种针对医疗图像分类领域的半监督学习方法，借助于新领域、新标签的未标记数据，采用基于双路径异常值估计和变分自动编码器预训练的方法，实现更好的开放场景下的分类表现。在实验中，该模型在不同的医疗学习场景下 Demonstrate 了更好的分类表现。

    Apr, 2023

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 半监督模型是强大的无监督域自适应学习器

    研究发现，自适应领域不受监督学习（UDA）和半监督学习（SSL）虽然看似不同，但其任务目标和解决方案十分相似。基于这个发现，通过在 UDA 基准测试上适应八种 SSL 算法，发现 SSL 方法具有较强的 UDA 学习能力，在 DomainNet 挑战性 UDA 基准测试上，SSL 方法显着优于现有的 UDA 方法，并且可以通过 SSL 技术进一步增强现有 UDA 方法的性能。因此，未来 UDA 研究中应将 SSL 方法作为基线应用，并期望揭示的 UDA 和 SSL 之间的关系能够给未来 UDA 发展带来启示。

    Jun, 2021

  • 提升伪标记和改善半监督领域泛化的鲁棒性

    我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

    Jan, 2024

  • 往未见领域通用化的方向发展

    我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

    Mar, 2024

  • 非监督语义聚合与可变形模板匹配的半监督学习

    本文提出了一个结合半监督学习和无监督语义聚合的框架（USADTM），旨在提高少标记数据的分类性能并减少数据标注成本。在无标签数据中，通过 Triplet Mutual Information（T-MI）损失生成语义标签，并通过有标记数据的监督来对齐语义标签。通过不断更新记忆库，为无标记数据分配代理标签并用于交叉熵最小化的目标。在四个半监督学习测试基准中广泛实验和分析证实 USADTM 实现了最佳性能（例如，在 CIFAR-10 上使用 40 个标签的情况下为 90.46％的准确度，在使用 250 个标签的情况下为 95.20％的准确度）

    Oct, 2020

  • 联合自监督图像体表示学习：基于内外对比聚类

    本文提出了一种用于医学数据的自监督深度学习的框架，该框架可以联合学习 2D 和 3D 数据，通过用变形注意力机制构建整体特征，并利用预训练语言模型进行掩蔽嵌入预测，提高了 2D Deep-ClusterV2 和 SwAV 的效果，并超越了各种现代 2D 和 3D 自监督学习方法。

    Dec, 2022

  • 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

  • 基于熵导向的自监督学习用于语义分割领域自适应

    使用熵作为置信度指标的熵引导自监督学习 (ESL) 方法，在无监督域自适应语义分割任务中实现了最先进的结果。

    Jun, 2020