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
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。
Oct, 2023
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
本文提出了一种新颖的深度框架,利用半监督域泛化技术,通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题,同时当准确的伪标签为无标签源域生成时,使用域混合操作增加标记和未标记域之间的新域,有助于提高模型的泛化能力,并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。
Oct, 2021
本文提出了一种双任务一致性半监督框架,以显式构建任务级别正则化而非隐式构建网络和 / 或数据层扰动 - 变换以实现医学图像分割的半监督学习,并通过两个公共数据集上的实验证明了其性能优于现有的半监督医学图像分割方法。
Sep, 2020
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
本文介绍了一种基于 Segment Anything Model (SAM) 的单源域泛化方法,通过引入并行框架以及经过细化的分割模块对源图像进行处理,从而大大提高了泛化能力,实验结果表明该方法与其他先进的领域泛化方法相比获得了有竞争力的结果。
通过分析频率在域差异中的影响,Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域,同时在域增强中构建自我监督来学习上下文感知的鲁棒表示,从而提高分割模型的泛化能力。实验证明了该方法的有效性,并显著改进了分割模型的泛化能力,对于提升医学图像分割模型的泛化能力,尤其是在数据标注稀缺时,FreeSDG 提供了一个有前途的解决方案。
Jul, 2023
该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能,并将距离度量学习(DML)的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明,该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。
Aug, 2022
本文章提出了一种新颖的基于置信度的跨伪监督学习算法,用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下,提高 Dice-score 性能,超过使用域标签的先前研究成果。
Jan, 2022