DUE:基于 3D 插值的动态不确定性感知解释监督
通过在训练过程中直接强制将强大的三维结构先验性知识融入模型,我们提出了一种新的方法来加强现有的自监督学习方法,并通过一系列数据集实验证明了我们的三维感知表示比传统的自监督基线更加稳健。
Jun, 2024
本文提出了针对五种不同的自监督学习方法的三维版本,利用这些技术进行神经网络特征的学习,通过对三维图像的预处理,显著提高语义表示的精确性,从而在医学成像领域实现了数据效率、性能和收敛速度的提升,具有较高的竞争力和可扩展性。
Jun, 2020
基于深度学习的医学图像自动分割系统面临大量数据标注成本和模型迭代中的高延迟问题,本研究提出了一种动态交互学习框架,通过将交互式分割与端到端弱监督学习和流式任务集成,解决了这些挑战。我们开发了新颖的重放和标签平滑方案,克服了灾难性遗忘并提高了在线学习的鲁棒性,并在每个图像上同时优化前端预测和深度学习分段器的多轮交互式分割模块。通过空间残差图,我们训练的分段器明确地指导下一步的用户干预,从而实现了弱监督信号的蒸馏。通过在三维分割任务(NCI-ISBI2013 和 BraTS2015)上的评估,我们的框架生成了与离线训练基准相匹配的在线学习性能。此外,我们的框架减少了 62% 的标注工作量,并且在与具有完整 ground truth 的在线和离线学习进行对比时,生成了具有竞争力的 dice 分数。此外,由于其灵活性和响应能力,这样的框架可以部署在保证数据安全和简便维护的医院防火墙之后。
Dec, 2023
提出了 SE3D:一个用于评估三维图像显著性方法的框架,通过修改数据集和评估指标来评估适用于三维卷积神经网络的显著性方法,结果表明当前的三维显著性方法质量不够,对于未来改进和在关键领域中更安全地应用三维卷积神经网络提供了潜在空间。
May, 2024
本文提出了一种自我监督学习框架,使用 Rubik's cube recovery 为代理任务来预训练 3D 神经网络,以便从原始 3D 数据中学习平移和旋转不变特性,与从头开始训练相比,用预训练网络微调能够更好地提高 3D 深度学习网络在不使用额外数据的情况下对体积医疗数据集的准确性,这是第一篇关注 3D 神经网络的自我监督学习的工作。
Oct, 2019
本文提出一种从 2D 图像中学习生成 3D 结构的深度生成模型,并通过概率推断从 3D 和 2D 图像中恢复这些结构,从而实现了第一个纯无监督学习下学习推断 3D 表示的方法,并在几个数据集上建立了基准模型。
Jul, 2016
本文提出了一种基于 2D 图像标注来训练 3D 语义分割模型的方法,使用多视角融合来生成伪标签,并解决了选择可信的伪标签、较少目标分类、在训练过程中如何脱离 2D 图像等问题。实验结果表明,所提出的 2D3DNet 网络在一个新的城市数据集上的表现显著优于基线方法。
Oct, 2021
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018
对于弱监督的三维物体检测任务,本文提出了一种框架来研究如何在无需任何三维标签的情况下利用二维和三维领域之间的约束,通过三种视角的视觉数据建立二维和三维领域之间的关联。实验证明,在无需使用任何三维标签的情况下,该方法在 KITTI 数据集上取得了与最先进方法相媲美的性能。
Dec, 2023