Nov, 2023

简单但有效的无监督分类指定领域影像：以真菌影像为例研究

PDF
TL;DR一种无监督分类方法，在特定领域的图像分类中，通过使用预训练模型和流形学习进行双重特征降维、多种聚类算法的投票机制以及事后标注而不是事前手动标注，成功地提高了分类准确率，降低了对预先标注数据集的依赖，从而实现了数据分类的闭环，并给各个领域的研究者在构建数据集和推动特定领域图像的人工智能应用方面带来了便利。
发现论文，激发创造
  • 深度表示学习的无监督图像分类

    本研究提出了一种无监督图像分类框架，旨在通过不使用嵌入聚类来简化和优化深度聚类算法，并在 ImageNet 数据集上进行了实验。同时验证了其在多标签图像分类，目标检测，语义分割等任务的泛化性，以及其在迁移学习中的有效性。

    Jun, 2020

  • 跨领域的自监督学习

    本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法，通过学习对象形状，掌握空间定向和部件相关性等概念，证明该算法在域通用和适应性方面具有较高的竞争力。

    Jul, 2020

  • 跨领域拓展和分析自监督学习

    通过对自监督学习在卫星图像等各个领域的实验发现，旋转任务是语义最具意义的，而 Jigsaw 和 Instance Discrimination 的性能很大程度上归因于它们诱导分布的特性，但在细粒度分类等任务上所有任务的表现均不佳，这些成功和失败的原因通过对预训练泛化、随机标签和隐含维度的研究进行了定量和定性的诊断。

    Apr, 2020

  • 无监督跨域图像检索的特征表示学习

    本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

    Jul, 2022

  • 大型自监督模型推进医学影像分类

    本研究探讨了自监督学习作为医学图像分类的预训练策略的有效性，使用领域特定的无标签医学图像进行自监督学习，并引入一种新颖的多实例对比学习 (MICLe) 方法，为医学图像分析中的皮肤病和胸部 X 光分类任务提供了更为准确的预测。

    Jan, 2021

  • 自监督类感知几 - shot 分类

    本研究使用无标签数据进行自我监督的预训练，通过迭代聚类和重新排序，并通过扩展对比优化损失来纳入类别层次意识，以在下游分类任务中进行少样本微调。实验证明，该方法在标准和跨域场景下的性能均优于其他方法，并取得了最新的表现。

    Feb, 2022

  • 自监督原型转移学习用于少样本分类

    本文提出了一种自监督的原型传递学习方法 ProtoTransfer，旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 ProtoTransfer 方法超越了最先进的无监督元学习方法。在存在领域偏移的少样本实验中，我们的方法甚至具有可比拟于监督方法的性能，但需要 orders of magnitude 较少的标签。

    Jun, 2020

  • 自监督一致性训练用于高效组织病理图像分析

    利用基于多分辨率背景下组织病理全切片图像的潜在上下文线索的自我监督预训练任务，以及新型的师生半监督一致性模式，使用任务无关和任务特定无标签数据来学习强大的监督信号进行无监督表征学习，并在有限标签数据下表现出与其他现有最先进方案相近乃至优越的性能。

    Feb, 2021

  • 具有分类标签的半监督学习

    本文提出了一种使用粗略的分类标签来训练细粒度领域图像分类器的技术，并证明在 Semi-iNat 数据集上实现了显著的性能提升，其中相对增益较大的是在细粒度标签的情况下进行训练和使用半监督学习算法 FixMatch。

    Nov, 2021

  • 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