Apr, 2024

OPTiML: 自我监督医学图像表示中的稠密语义不变性应用最优传输

PDF
TL;DR我们介绍了一种新的自我监督学习框架 OPTiML，采用最优输运（OT）来捕捉密集的语义不变性和细节，从而提高医学图像表示学习的总体效果，并且在胸部 X 射线模态上的实验结果表明 OPTiML 在所有评估任务中优于最先进的方法。
self-supervised learningmedical image analysisoptimloptimal transportsemantic alignment
发现论文，激发创造
  • OTMatch：以最优传输方式改进半监督学习

    本文介绍了一种新的方法 OTMatch，通过使用最优输运损失函数，利用类别之间的语义关系，提高半监督学习的性能。与现有最先进的方法 FreeMatch 相比，在 CIFAR-10、STL-10 和 ImageNet 数据集上分别实现了 3.18%、3.46% 和 1.28% 的错误率降低，证明了我们方法在半监督学习中利用语义关系提升学习性能的有效性和优越性。

    Oct, 2023

  • 度量学习增强的生物化学回归域自适应最优输运

    本文提出使用最优传输算法（OT）进行表示对齐，解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法，进一步为拓展任务提供了支持。此外，提出了将 OT 与度量学习相结合的方法，通过动态层次三重损失函数来描述全局数据分布，试验证明该方法在未监督和半监督学习任务的小分子和材料晶体数据上显著优于现有方法。

    Feb, 2022

  • 结构化最优输运

    本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

    Dec, 2017

  • 基于分布鲁棒优化的半监督学习

    提出了一种基于数据驱动的分布式鲁棒优化和最优运输度量的半监督学习方法，通过使用未标记的数据来限制最坏情况分布的支持，从而提高一般化误差，并证明该方法能够改善一般化误差，具有重要的大样本行为，特别是在半监督学习中降维的作用。

    Feb, 2017

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024

  • 基于小规模图像数据集的可治疗性视网膜疾病分类的自监督学习

    通过自监督学习和迁移学习在治疗性视网膜病分类中评估了四个预训练的自监督学习模型和两个迁移学习模型，使用小规模的光学相干断层扫描（OCT）图像，结果表明自监督学习模型在平衡和不平衡的训练情景下表现出卓越性能，并显示 MoCo-v2 方案的自监督学习模型在不平衡情景下具有一致的出色表现。

    Apr, 2024

  • 自监督学习中的解剖不变建模与语义对齐在三维医学图像分割中应用

    本研究提出了一种新的自我监督学习框架 ——Alice，旨在针对医学图像领域中异构数据及医学结构的特殊性，明确实现解剖不变性建模和语义对齐，其中主要涵盖对比学习策略及条件解剖特征对齐模块，进一步提高了 3D 医学图像分割下的性能表现，超过之前的同类方法。

    Feb, 2023

  • 超越不变表示学习：线性可对齐潜空间进行高效的解析域自适应

    本文提出了一种基于最优传输的领域适应方法，使用仿射映射的封闭形式解决方案，并学习一个嵌入空间，使得该解决方案是最优且计算复杂性较低的。我们证明了该方法在同质和异质适应设置中均有效，并且优于或与其他基于传统 OT 和不可比空间的著名基线相当。此外，我们展示了我们的方法大大降低了计算复杂性。

    May, 2023

  • 稀疏字典上的最优图像传输

    本论文通过利用稀疏表示和最优传输，推导出一种新颖的针对稀疏字典的最优图像传输算法。通过将图像特征编码为稀疏表示并根据编码过程在两个学习字典之间推测最优传输计划，得到了一种简单而有效的同时图像表示和转换方法，可广泛应用于图像转换任务。

    Nov, 2023

  • 隐式贝叶斯自适应：一种协同传输方法

    通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

    Apr, 2023