该研究提出了一种名为 JSSL(联合监督和自监督学习)的深度学习方法,用于在目标数据集不完全采样的情况下,通过同时利用代理数据集和目标数据集,提高 MRI 重构的质量。实验证明,JSSL 方法相较于传统的自监督训练方法有了明显的改进,从而凸显了该联合方法的有效性。
Nov, 2023
本文探讨了零样本学习方法在解决 ' 缺失数据问题 ' 而非 ' 缺失标签问题 ' 时的有效性,通过将知识从标签嵌入空间转移到图像特征空间,估计未见过的类在图像特征空间的数据分布,实验表明,与现有方法相比,该方法在两个流行数据集上的表现更优
Dec, 2016
通过自监督预训练技术(SSP),本研究旨在评估彻底自监督学习技术在计算机视觉任务中的有效性,无需微调,旨在模仿人类的泛化和识别未见目标的能力,并提出了一种基于标注块的零样本分割评估协议,以及评估 SSP ViTs 的内部和外部物体相似性来衡量其歧视能力,并设计了一种名为 MMC 的简单 SSP 方法,该方法通过对局部特征的相似性进行蒙版图像建模、基于动量的自蒸馏将全局语义转移到局部特征以及全局对比度来提升 SSP ViTs 的区分能力,有效地在图像中进行物体分割,实验结果显示 MMC 在各种数据集上实现了零样本语义分割的顶级效果。
Aug, 2023
本研究提出了一种零样本文本转语音模型,使用自监督学习获取的语音表示模型进行条件控制,并引入了声学特征和音素持续时间预测器的分离调制以提高重现性能和语音转换效果。
Apr, 2023
本文介绍了如何使用 Noisier2Noise 框架进行自监督学习,在 MRI 数据的稀缺情况下,通过数据下采样的方式提高重建质量和鲁棒性,同时解释了 SSDU 方法的表现原理。
May, 2022
通过使用非线性共轭梯度(NLCG)优化器,并结合逐次扫描特定的 U-Net 正则化方法,这篇研究论文提出了一种直接从采样不足的 k 空间数据中估计 qMRI 映射的端到端方法,借助指数信号建模和零击穿扫描特定神经网络正则化技术,为高保真度的 T1 和 T2 映射提供了改进的估计质量。
Jan, 2024
使用 zero-MIRID 的深度学习多段 EPI 重建方法,在体内实验中表现出卓越的成果,并实现了对扩散 MRI 图像的改进。
本文提出一种基于双向映射的语义关系建模方案,实现跨模态的知识转移并解决领域转化问题,通过迭代更新使得分类器不断加强预测能力,实验结果在三个基准数据集上显著优于现有方法。
Mar, 2017
本文通过直观的解释,概述了连续子空间学习方法的发展,着重指出未来研究中存在的一些开放性问题和挑战。
Feb, 2021
我们提出了一种无监督的自适应粗到细框架,通过学习从多维坐标到相应信号强度的映射,有效调整监督信号的比例,从而改善过拟合问题并提高 MRI 重建的整体质量。
Dec, 2023