Mar, 2024

基于贝叶斯的随机语义数据增强在医学图像分类中的应用

PDF
TL;DR提出了一种名为 Bayesian Random Semantic Data Augmentation 的新型、高效且即插即用的语义数据增强方法（BRSDA），通过在特征空间中沿特定方向进行简单的平移，实现语义转换，并结合其他主流的数据增强方法，取得了优越的性能。
data augmentationdeep neural networksmedical image classificationbayesian random semantic data augmentationvariational bayesian
发现论文，激发创造
  • 语义数据增强正则化深度网络

    提出一种基于深度神经网络学习的语义数据增强方法 (ISDA), 通过此方法可以提高卷积神经网络在图像分类任务上的泛化性能.

    Jul, 2020

  • 贝叶斯数据增强方法用于深度模型学习

    提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

    Oct, 2017

  • 深度网络的隐式语义数据增强

    该论文提出了一种新颖的隐式语义数据增强（ISDA）方法，通过在线估计每个类别的深度特征协方差矩阵并在特征空间中沿着许多语义方向平移训练样本来有效增强数据集以提高泛化性能，并提出了一个新颖的鲁棒 CE 损失函数，实现了在多个数据集上对 ResNets 和 DenseNets 等流行的深度模型的一致性提高的效果。

    Sep, 2019

  • 神经机器翻译的确定性可逆数据增强

    确定性可逆数据增强（DRDA）是一种简单但有效的数据增强方法，用于神经机器翻译，通过采用确定性分段和可逆操作生成多粒度子词表示，并通过多视角技术将它们拉近，无需额外的语料库或模型变更，DRDA 在几个翻译任务中优于强基线模型（Transformer），在嘈杂、资源匮乏和跨领域数据集中表现出良好的鲁棒性，达到多达 4.3 BLEU 增益。

    Jun, 2024

  • 半监督和任务驱动的数据增强

    本文技术为使用生成模型并结合任务驱动数据增强方法，显式地建模变形场和强化蒙版，用于为监督型深度学习模型训练新的 MRI 心脏分割训练数据，实验结果表明该方法在小样本数据的分割任务中表现优异。

    Feb, 2019

  • 对抗性语义数据增强用于人体姿态估计

    提出了基于语义数据增强和对抗学习的人体姿势估计方法，在应对外观对称性、严重遮挡和近距离干扰等多种挑战性情况下，取得了最先进的结果。

    Aug, 2020

  • 基于深度学习的有限数据加速 MRI 重建中的数据增强

    本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

    Jun, 2021

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • MetaSAug: 面向长尾视觉识别的元语义增强

    本文提出一种基于 ISDA 算法的新方法，通过元学习自动学习转换的语义方向来扩充极少数的分类数据样本，以达到解决单纯平衡训练集情况下典型有监督学习算法表现下降问题的目的，并在 CIFAR-LT-10 / 100、ImageNet-LT 和 iNaturalist 2017/2018 数据集上进行实验验证。

    Mar, 2021

  • 基于解剖知识的数据增强方法增强前列腺癌检测

    通过模拟前列腺的典型生理变形并生成独特病变形状，我们提出了一种新的解剖学感知变形方法，将其应用于数据增强以增加训练集中器官和肿瘤形状的多样性，从而提高计算机辅助诊断系统对前列腺癌的检测效果。

    Sep, 2023