Nov, 2023

医学图像分割中的干净标签解缠

PDF
TL;DR当前的医学图像分割方法中存在着错误的标注，而现有的研究都未解决干净标签解藕的问题。本研究提出一种简单而高效的类平衡采样策略，用于应对类不平衡问题，并将此方法扩展到噪声特征辅助的干净标签解藕框架，实现从标签集中选择干净标签，并更好地学习语义信息。实验证明了该方法的有效性，并取得了新的最优性能。
medical image segmentationnoisy label issueclass-imbalanced problemclean label disentangling frameworknoisy feature-aided clean label disentangling framework
发现论文，激发创造
  • 医学图像分割中区分人类错误和基本事实

    本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

    Jul, 2020

  • 训练深度判别神经网络对抗标签噪声的鲁棒性

    该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架，并使用一个无向图模型来描述干净和嘈杂标签之间的关系，在监督学习过程中学习这个模型。该模型在图像标注问题上应用，并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。

    May, 2017

  • 对抗噪声标签的稳健特征学习

    This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

    Jul, 2023

  • 资源有限条件下的活动标签清洗，以提高数据集质量

    本文提出一种基于数据驱动的主动标签清理方法来解决数据注释中的标签噪音问题，通过对样本进行优先级排序，提高数据集质量，具有较好的可行性和高效性。

    Sep, 2021

  • 从严重标签噪声中提炼有效的监督

    该论文提出了一种全新的训练深度神经网络的方法，在标签噪音的情况下拥有高稳健性，通过利用小的可信集合来估计样本权重和伪标签以重复使用它们进行监督训练。该方法在各种类型的标签噪声和大规模真实世界标签噪声数据集上取得了最新的最优表现。

    Oct, 2019

  • 可证明的端到端标签噪声学习无需锚点

    本文提出了一种不依赖基准点（anchor points）的端到端框架，通过同时优化两个目标：噪声标签与神经网络预测概率之间的交叉熵损失和转移矩阵列构成的单纯形的体积，识别转移矩阵和提高统计一致性。在基准数据集上的实验结果证明了方法的有效性和鲁棒性。

    Feb, 2021

  • CleanNet: 基于转移学习的带标签噪声的可扩展图像分类器训练

    使用 CleanNet 作为联合神经嵌入网络的核心，我们在图像分类模型中学习标签噪声，通过较少的人工监督，仅验证一小部分类别即可降低训练模型的标签噪声误差，并通过多项实验验证了该算法在实际数据测试中的有效性。

    Nov, 2017

  • 学习噪声标签的模型和数据一致性

    本文通过模型和数据维度尝试处理嘈杂标签学习中的误差积累问题。引入均值点集成方法来利用更鲁棒的损失函数和未被选择样本中的更多信息从模型角度减少误差积累；从数据角度，选择翻转图像的损失值来代替原始图像的损失值选择小损失样本，以减少误差积累。在 CIFAR-10、CIFAR-100 和大规模 Clothing1M 上的广泛实验表明，我们的方法优于不同噪声水平的最先进的嘈杂标签学习方法，也可以与其他噪声标签学习方法无缝结合以进一步提高它们的性能并很好地推广给其他任务。

    Dec, 2022

  • 促进具噪声标签学习中的适应性与平衡

    我们提出了一种名为 SED 的简单而有效的方法，以自适应和类平衡的方式处理标签噪声，通过设计新的样本选择策略来赋予自适应性和类平衡性，利用平均教师模型纠正噪声样本的标签，采用自适应和类平衡的样本重新加权机制为检测到的噪声样本分配不同的权重，并在选择的干净样本上添加一致性正则化以提高模型的泛化性能。

    Jul, 2024

  • 医学影像分析中的噪声标签深度学习技术探究与研究

    探讨了深度学习中标签噪声的影响，特别是在医疗应用中，给出了针对性的解决方案和建议，以提高深度模型在医疗图像分析中的准确程度。

    Dec, 2019