本文基于卷积神经网络提出了一个新的注视序列比较方法,通过图像分析来探索医学专家和新手在阅读牙齿放射图时眼动行为的差异,结果表明在任务语义影响下,该方法在能够准确区分专家和新手方面表现出较好性能,并且具有将任务语义与眼动行为结合在一起的潜力。
Mar, 2020
深度学习在病理学中的应用包括疾病预测和个体化治疗,研究表明,在计算机病理学中,传统的染色归一化处理在深度学习时代仍然存在争议,采用以自我监督学习训练的特征提取器可以在省内存和计算资源的同时不影响下游性能,同时对染色和图像扩增具有鲁棒性。
Nov, 2023
整合了合成扫视路径生成和扫视路径增强的语言模型,消除了对人类注视数据的需求,并具有与真实数据增强的语言模型相媲美的性能。
Oct, 2023
通过使用 Transformer 模型和深度强化学习算法,我们提出了 EyeFormer 模型,可以预测个体用户的视觉扫描路径,并在图形用户界面布局优化等方面有广泛应用。
Apr, 2024
介绍 PathGAN,一种利用对抗训练方法进行视觉扫描路径预测的深度神经网络模型。该模型由生成器和判别器两部分构成,通过提取图像特征从而训练循环层以生成或辨别视觉扫描路径。实验证明,PathGAN 明显优于现有的扫描路径预测模型。
Sep, 2018
该论文提出了一个名为 SCAN 的框架,以处理深度神经网络在资源受限边缘设备上的存储和计算问题,包括将神经网络划分为多个部分, 构建浅层分类器,利用注意力模块和知识蒸馏以提高它们的准确率,并进一步提出了一个阈值控制的可扩展推理机制,该框架在 CIFAR100 和 ImageNet 上得到了显着的性能提升。
May, 2019
评估人类扫视路径预测模型的学术论文,引入新的评估指标方法并详细比较了现有模型的性能,提出了以往指标所忽略的问题点。论文最终提出了 MIT/Tuebingen Saliency Benchmark 数据集作为基准,供研究人员参考,评价其模型预测的准确性。
Feb, 2021
通过深度学习的社交线索整合模型,我们开发了一个视频中注视预测的模型,通过递归地整合注视历史和社交线索来学习注视路径,以填补以往只关注群体模型而忽视了个体差异的研究空白。我们观察到这种单一统一的模型通过整合普遍关注和个体化注意力行为的方式在注视数据集上表现出色,优于个别训练的模型。
May, 2024
通过对不同 backbone 的比较,使用单个预训练的深度嵌入提取器将图像转换为深度特征,以此来减少所需的标记数据和加速训练,并使用特征空间增强策略来显著提高在组织学图像分类任务上的 F1 分数。
Mar, 2023
深度学习应用在最近几年取得了很多成功,尤其是在计算机视觉领域,卷积神经网络取得了可靠的结果。而自我训练和模块化学习是解决数据访问、标注和问题复杂性的有效方法,能提高分类性能和数据标注分割的准确性。
Jul, 2023