Jun, 2024

医疗领域零样本和少样本人工智能算法综述

PDF
TL;DR通过少样本学习、零样本学习和常规目标检测方法的比较研究，发现这些方法在数据集要求、泛化性能以及处理挑战方面取得了显著结果。此外，综述了最近三年的研究，介绍了少样本学习和零样本学习方法在解决挑战中的应用，并且指出了该领域中的进一步研究方向。
发现论文，激发创造
  • 最近几种 Few-Shot 物体检测算法的比较评价

    本研究综述了少样本物体检测的现有成果及未来展望，提出了基于数据的训练分类法和相应监督的形式，并对其定义、主要挑战、基准数据集、评估指标和学习策略进行了详细调查，最后总结了少样本目标检测的现状以及未来的研究方向。

    Oct, 2021

  • 医学影像的少样本学习：方法学和数学框架的比较分析

    深度学习在医学图像处理领域的应用受到数据不足的限制，因此研究者们开发出了一种称为 “Few-shot learning” 的模型，通过分类和分割方法来从小规模数据集中提取特征以解决数据不足的问题。本文综述了 Few-shot learning 的背景和基本概述，介绍了医学图像分析中的方法学策略比较，描述了 Few-shot learning 在医学图像处理应用的最新进展，并展望了其未来的应用前景。

    May, 2023

  • 零样本识别的最新进展

    本文综述了现有零样本识别技术的方方面面，包括模型表示、数据集、评估方式等，并简要介绍了一些相关的识别任务，如一次性识别和开放集识别等。同时，我们也指出了现有方法的局限性以及未来的研究方向。

    Oct, 2017

  • 任意次数目标检测

    本文介绍了一种新的物体检测挑战性场景 “Any-shot detection”，并提出了一个统一的模型，可以同时检测零 / 少样本物体类别，其中核心思想是使用类语义作为目标检测的原型，并提出一种重新平衡的损失函数来强调难以检测的少样本情况，但避免在新类别上过拟合。在 Pascal VOC 和 MS-COCO 数据集上的实验表明，该方法可以显著提高检测性能。

    Mar, 2020

  • Few-Shot Learning 领域中深度学习框架概述

    本文为深度学习架构在小数据训练中的应用进行了综述，提供了关键参考和开源代码，为希望在小数据场景下进行 Few-shot 学习的人提供了起点。

    Aug, 2020

  • 医学影像中少样本学习的系统回顾

    基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

    Sep, 2023

  • 少样本目标检测：研究进展与挑战

    本文回顾了近年来少样本目标检测（FSOD）领域的重要进展，总结了现有挑战和解决方案，通过提出一种新颖的 FSOD 分类方法和调查丰富的 FSOD 算法，得出了促进 FSOD 问题深入理解和创新解决方案发展的全面概述，并讨论了这些算法的优点和限制，总结了在数据匮乏场景中目标检测的挑战、潜在的研究方向和发展趋势。

    Apr, 2024

  • 零样本学习：真相如何

    这篇研究论文主要针对零样本学习领域，提出了一个新的比较基准系统，分析许多最先进的方法，并探讨该领域的局限性。

    Mar, 2017

  • 零样本学习 -- 对好坏丑的全面评估

    本文旨在分析当前零样本学习领域现状，包括定义新的公认的零样本数据集评估协议与数据划分、设计新的 Animals with Attributes 2 数据集以及对当前现有的大量最先进的方法进行深入分析比较，并讨论当前领域的局限性，为进一步发展提供依据。

    Jul, 2017

  • 零样本学习的实际方面

    本研究旨在比较多种最新的 zero-shot learning 方法在标准基准数据集上的表现，并提出和比较多种元分类器，在缺乏带标签训练数据集的情况下，将多种分类器的最佳方面相结合，达到更好的分类效果。

    Mar, 2022