Mar, 2024

CT-3DFlow：利用三维标准流算法无监督检测病理性肺部 CT 扫描

PDF
TL;DR使用 3D NF 模型 CT-3DFlow 在胸部 CT 数据中进行患者级肺部病理检测，通过无监督训练健康的 3D 肺部 CT 补丁，检测其与对数似然分布的偏差作为异常，聚合患者 CT 扫描的补丁级别似然值以提供患者级别的正常 / 异常预测， 在一个单独的胸部 CT 测试数据集上通过专家注释评估了异常分布检测性能，优于其他最先进方法。
unsupervised pathology detectionnormalizing flows (nf)ct-3dflowpulmonary pathology detectionout-of-distribution detection
发现论文，激发创造
  • FastFlow: 基于二维正则化流的无监督异常检测和定位

    本研究提出了使用 2D 归一化流来实现概率分布估计的 FastFlow，并将其作为插件模块与 ResNet 和视觉变换器等任意深度特征提取器一起使用，以进行无监督的异常检测和定位。实验结果表明，FastFlow 在准确性和推理效率方面优于以前的状态 - of-the-art 方法，其在异常检测方面达到了 99.4％的 AUC。

    Nov, 2021

  • Same Same But DifferNet: 带有归一化流的半监督缺陷检测

    本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题，通过最终得分进行缺陷像素位置的精确定位，而且不需要大量训练样本，与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。

    Aug, 2020

  • Image2Flow：一种用于快速患者特定肺动脉分割和从 3D 心脏 MRI 数据计算 CFD 流场的混合图像和图卷积神经网络

    本研究使用深度学习模型生成患者特异性体积网格和直接估计血流动力学数据，在简化博弈过程的同时，提供更高效的计算流体力学模拟和分割方法。

    Feb, 2024

  • TTTFlow: 无监督测试时间训练与正态流

    该论文提出了一种用于图像分类的深度神经网络方法，通过测试时训练和无监督学习实现领域自适应，并在实验中证明了该方法相对于之前方法的优势。

    Oct, 2022

  • CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

    我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

    Nov, 2023

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 基于三维深度卷积神经网络的自动肺结节检测

    本文提出了一种新颖的三维卷积神经网络方法，采用对象检测以及 false positive reduction 等方式来识别计算机断层扫描图像中的肺结节，该方法在 Alibaba's 2017 TianChi AI 大赛中获得了第一名。

    Mar, 2019

  • 基于图像的缺陷检测的全卷积跨尺度流

    本研究提出了一种新的全卷积跨尺度归一化流模型（CS-Flow），该模型通过对不同尺度的多个特征图进行联合处理，能够对工业制造中的缺陷进行自动检测和定位，同时在基准数据集上取得了 100％的区分度（AUROC)。

    Oct, 2021

  • CFLOW-AD：基于条件归一化流的实时无监督异常检测及定位

    本文提出了一种基于 CFLOW-AD 模型的实时无监督异常检测方法，在定位方面有着明显的优势，与之前最先进的方法相比，它具有更高的计算效率和更小的模型大小。

    Jul, 2021

  • 基于无监督对比学习的 Transformer 肺结节检测

    研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督 3D 变形器模型来识别肺结节，与普遍使用的 3D 卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

    Apr, 2022