Oct, 2023

S$^3$-TTA: 生物医学图像分割中的规模样式选择

PDF
TL;DR该研究论文提出了一种名为 S$^3$-TTA 的新的测试时间数据增强框架，基于转换一致性指标为每个测试图像选择合适的图像尺度和样式，同时构建了端到端的增强 - 分割联合训练流水线，通过在测试阶段简单增加输入数据，在细胞和肺部分割的公共基准上相对先前的方法分别提升了 3.4% 和 1.3%。
发现论文，激发创造
  • 通过测试时间增强来改进文本分类

    本文提出了一种改进的测试时间增强技术并设计出相应的增强策略，结果表明用于语言模型上的测试时间增强可以显著提高模型的准确性。

    Jun, 2022

  • BayTTA: 使用贝叶斯模型平均优化测试时间增强的不确定性感知医学图像分类

    本研究提出了一种新的基于贝叶斯模型平均的测试时间增强（TTA）优化框架 BayTTA，通过结合模型预测并加权考虑后验概率，可以提高相关机器学习或深度学习模型的预测性能。在医学图像分析和一些流行的预训练 CNN 模型中，BayTTA 的实验结果显示可以有效地提高准确性和鲁棒性表现。

    Jun, 2024

  • 智能多视图测试时间增强

    通过智能测试时间增强 (TTA) 算法，在视角变化的情况下提高图像分类模型的稳健性和准确性，该方法根据预测不确定性指标智能选择最佳增强方法，并通过两个阶段的过程来实现该选择，实验验证证明这种方法可以在多个数据集和神经网络架构上获得平均准确率提高 1.73%，突出了在智能增强策略方面进一步探索的潜力。

    Jun, 2024

  • 单幅图像测试时自适应分割

    优化自监督损失进行测试时间段的自适应图像分割模型，采用多种基线方法及改进，并引入对抗训练来提高性能。

    Sep, 2023

  • 三维点云分类和分割的测试时间数据增强

    本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

    Nov, 2023

  • 理解测试时数据增强

    利用数据增强在测试期间产生平均输出的测试时间增强（TTA）是一种非常强大的启发式算法，本文旨在为 TTA 提供理论保证并澄清其行为。

    Feb, 2024

  • 朝向临床医生首选的分割：利用人为辅助实时调整来进行医学图像分割

    通过集成医生纠正的预测和发散损失函数，我们提出的人在环形的测试时间适应框架能够提高深度学习医学图像分割模型在不同医疗中心中的性能和适应性。

    May, 2024

  • 检测时生成式增强用于医学图像分割

    本文提出了一种新颖的方法来增强测试时间内的医学图像分割，通过将生成模型整合到测试时间扩充中，可以有效地生成给定测试样本的多个视图，从而提高分割结果的可靠性。

    Jun, 2024

  • 在分割中联合优化类别特定的训练和测试时数据增强

    本文提出了一种针对医学图像分割的高效通用数据增强框架，采用了计算效率高且数据效率高的基于梯度的元学习方案，通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略，即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强，实验证明该方法针对医学图像分割存在的分类不平衡问题，可显著且一致地提高分割效果。

    May, 2023

  • 语义分割中经典的测试时自适应方法的关键研究

    经过综合研究，我们发现语义分割中经典的测试时适应方法在解决问题上存在一些挑战，批量归一化更新策略对结果只带来轻微改善，师生方案使训练过程稳定但不会直接提高性能，长尾不平衡问题严重影响语义分割性能。

    Oct, 2023