Jun, 2024

DDA: 基于维度驱动的增强搜索用于腹腔镜手术中的对比学习

PDF
TL;DR通过自监督学习（SSL）在医学影像中实现有效的表征学习，但数据增广的选择是关键且领域特定的，本文通过一种叫做维度驱动增广搜索（DDA）的新方法自动搜索适合于腹腔镜手术的数据增广策略，通过对比学习在局部维度特性上差异化地搜索适合的数据增广策略，我们证明了 DDA 在导航大型搜索空间和成功识别适当的数据增广策略上的有效性和高效性，我们系统评估了 DDA 在三个腹腔镜图像分类和分割任务中的性能，并显著改进了现有基准，此外，DDA 的优化增广集合为在医学应用中应用对比学习时的领域特定依赖提供了见解，例如，对于自然图像而言，色调是一种有效的增广方式，但对于腹腔镜图像并不优势。
self-supervised learningmedical imagingdata augmentationlaparoscopic surgerycontrastive learning
发现论文，激发创造
  • 直接可微增强搜索

    本研究使用基于 AutoML 的技术提出了一种高效的可微分搜索算法，称为 DDAS，它能够在图像分类基准测试上取得与 AutoAugment 可比的性能，同时大大降低了搜索成本。

    Apr, 2021

  • 对比学习的自适应数据增强

    本研究提出了一种名为 AdDA 的自适应数据增强（Adaptive Data Augmentation）方法，通过在训练过程中实时反馈调整数据增强的组合，优化对比学习网络的表示学习效果，并在 ImageNet-100 数据集上进行了测试。

    Apr, 2023

  • 基于 MCTS 的前列腺 MRI 分割动态数据增强

    本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

    May, 2023

  • DADA: 可微分自动数据增强

    本研究提出 Differentiable Automatic Data Augmentation (DADA) 算法，使用 Gumbel-Softmax 方法实现对离散的数据增强方法的选择，引入 RELAX 无偏梯度估计方法，提高了数据增强策略的学习效率。在 CIFAR-10、CIFAR-100、SVHN 和 ImageNet 数据集上的实验证明了该算法在达到同等精度的情况下，比现有最先进算法至少快一个数量级。同时，研究还证明了自动数据增强在预训练方面的价值。

    Mar, 2020

  • 学习更少，学得更好：有效增强对视觉强化学习的样本效率

    本文探究了数据增强技术在视觉强化学习中的有效性，研究数据增强的相关特征对样本效率的影响并提出了新的操作方法 Random PadResize 和循环增强（Cycling Augmentation）以提高样本利用效率。在 DeepMind 控制套件和 CARLA 驾驶模拟器上的广泛评估表明，与先前的最先进方法相比，我们的方法实现了更好的样本效率。

    May, 2023

  • 视觉强化学习中数据增强的全面调查

    本文提供了关于数据扩增在视觉强化学习中应用的广泛评论。作者提出了一个统一的框架，研究了数据扩增技术在视觉强化学习中的作用，并提供了一些方法来更好地利用扩增数据。最后，作者还通过系统的实证评估，总结了本文的研究内容及未来研究工作的展望。

    Oct, 2022

  • 基于双层优化的组织病理学图像自动数据增强学习

    通过自动数据增强学习方法，我们提出了一个神经网络模型训练的解决方案，可以自动学习改善模型训练所需的颜色和几何变换参数，特别适用于组织病理学图像的分类任务。

    Jul, 2023

  • 预测你将学到什么：非平稳环境下领域泛化的数据增强

    本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

    Jan, 2023

  • 深层 AutoAugment

    Deep AutoAugment 提供了一种全自动的数据增强搜索方法，通过高效的搜索方法可制定高效的数据增强策略，获得了强大的性能表现。

    Mar, 2022

  • 基于深度学习的有限数据加速 MRI 重建中的数据增强

    本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

    Jun, 2021