PoCo: 基于极坐标变换的渐进对比度学习的自监督方法

Mar, 2024

PoCo: 基于极坐标变换的渐进对比度学习的自监督方法

PoCo: A Self-Supervised Approach via Polar Transformation Based Progressive Contrastive Learning for Ophthalmic Disease Diagnosis

PDF

Jinhong Wang, Tingting Chen, Jintai Chen, Yixuan Wu, Yuyang Xu...

TL;DR通过基于极坐标转换的渐进对比学习的自监督方法，我们提出了一种用于眼科疾病诊断的自动方法。实验结果表明，我们的方法在三个公共眼科疾病数据集上达到了最先进的性能，具有良好的泛化能力，验证了我们的方法可以减少注释工作并提供可靠的诊断。

Abstract

Automatic ophthalmic disease diagnosis on fundus images is important in clinical practice. However, due to complex fundus textures and limited annotated data, developing an effective automatic method for this pro

ophthalmic disease diagnosis fundus images self-supervised method polar transformation progressive contrastive learning

发现论文，激发创造

利用 Pocoformer 的极化彩色图像去噪

本文提出了基于学习的方法来同时恢复清晰的信号和精确的极化信息，一个基于视觉 Transformer 的混合 Transformer 模型被提出以进行极化彩色图像去噪，实验表明该方法的有效性并分析了影响结果的关键因素。

Jul, 2022

Polar-Net：一种用于 OCTA 图像中阿尔茨海默病检测的临床友好模型

我们提出了一种名为 Polar-Net 的新型深度学习框架，将 OCTA 图像从笛卡尔坐标系映射到极坐标系，实现了基于 ETDRS 网格的区域分析方法，并结合临床先验信息提高性能，这有助于了解模型在检测 AD 时的决策过程和其与临床观察的一致性。通过对私有和公共数据集的评估，我们证明了 Polar-Net 优于现有的最先进方法，并为视网膜血管变化与 AD 之间的关联提供了更有价值的病理证据。

Nov, 2023

多正同反学习与姿态一致生成图像

在本文中，我们通过实验证明了使用生成图像产生具有相同人体姿势的视觉上独特的图像，并提出了一种新颖的多正对比学习方法，该方法充分利用先前生成的图像来学习人体的结构特征。我们将整个学习过程称为 GenPoCCL。与当今最先进方法相比，GenPoCCL 仅使用不到 1% 的数据量，但更有效地捕捉到人体的结构特征，在多种以人为中心的感知任务中超过了现有方法。

Apr, 2024

自监督学习与复合预文本类别差异的 SSL-CPCD 方法，为内窥镜图像分析改善泛化性能

本文提出了一个新方法，即基于补充角度余弦相似度度量的补丁水平实体群差异化方法，它使得模型能够学习将类似的代表性补丁聚类在一起，从而提高它们在不同类别之间的分离能力。实验结果表明，我们的方法优于基线架构，对分类、检测和分割任务的准确度分别提高了 4%、2% 和 3%。此外，我们还证明了我们的方法相对于所有 SOTA 方法具有更好的泛化性，我们的泛化性评估提高了近 7%。

May, 2023

参数对比学习

本文提出 Parametric Contrastive Learning（PaCo）来解决长尾识别问题，通过引入一组类内可学习参数来重新平衡优化，PaCo 可以自适应地提高将同类样本推向一起的强度，并造福于难度样本学习。实验表明，使用 PaCo loss 在长尾 CIFAR，ImageNet，Places 和 iNaturalist 2018 上具有新的领先水平。

Jul, 2021

畸变 - 解缠对比学习

该研究提出了一种名为 DDCL 的新型 POCL 框架和 DDL 损失函数，可以显式地分离和利用模型和特征流中的畸变变量表示（DVR），从而提高了整体表示利用效率、鲁棒性和表示能力。通过在多个基准数据集上进行实验，表明我们的框架优于 Barlow Twins 和 Simsiam 在收敛性、表示质量和鲁棒性方面。

Mar, 2023

PoCo：RGBD 室内地点识别的点上下文聚类

我们提出了一种新的端到端算法（PoCo）用于室内 RGB-D 场所识别任务，旨在识别给定查询帧在参考数据库中最可能的匹配。我们提出了一种新的网络架构，通过端到端学习直接从噪声点云中提取全局描述符，并将颜色和几何模态集成到点特征中以增强全局描述符表示。我们在公共数据集 ScanNet-PR 和 ARKit 上进行了评估，结果显示 PoCo 在性能和效率方面均优于已发表的最佳结果 CGis，并证明了 PoCo 在识别实际实验室环境中的位置方面的有效性。

Apr, 2024

基于多标签深度网络和极坐标变换的联合视盘和杯膜分割

本文提出了 M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在 ORIGA 数据集上取得了最先进的视盘和视杯分割效果，同时还在 ORIGA 数据集和 SCES 数据集上获得了令人满意的青光眼筛查表现。

Jan, 2018

基于 Patch 的输出空间对抗学习用于联合视盘和杯割取

本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在 Glaucoma Challenge 竞赛中取得了 OD 和 OC 分割任务的第一名。

Feb, 2019

泛参量对比学习

本文提出了广义参数对比学习（GPaCo /PaCo），其在不平衡和平衡数据上都能很好地工作。实验表明，与 MAE 模型相比，采用 GPaCo 损失训练的模型具有更好的泛化性能和更强的鲁棒性，并且该方法还能应用于语义分割任务中并取得了显著的改进。

Sep, 2022