Jun, 2024

AstMatch：用于半监督医学图像分割的对抗自训练一致性框架

PDF
TL;DR在本研究中，我们提出了一种对抗自我训练一致性框架 (AstMatch)，通过设计对抗一致性正则化方法增强知识传递，并在不同扰动强度下增强预测一致性，应用特征匹配损失进行对抗训练以获得高层一致性正则化，并引入金字塔通道注意力和高效通道空间注意力模块改进鉴别器性能，在众多半监督学习方法和三个公开数据集上进行广泛评估实验结果显示，AstMatch 的表现优于现有方法，达到了新的最优性能。
发现论文，激发创造
  • AlphaMatch：利用 Alpha 散度改善半监督学习的一致性

    AlphaMatch 是一种高效的半监督学习方法，利用数据增强实现标签一致性，通过 alpha-divergence 使高置信度的数据优先接受正则化，使用基于优化的 EM 算法作为一致性的实现方式，可以在标准数据集上取得更好的表现。

    Nov, 2020

  • FixMatch：用一致性和置信度简化半监督学习

    该研究论文通过半监督学习中的一种简单的组合方法 —— 一致性正则化和伪标记生成，提出了 FixMatch 算法，该算法可有效提高网络模型的性能，且在多项半监督学习标准测试中均实现了最先进的表现。

    Jan, 2020

  • 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

  • ConMatch: 带置信度引导的连贯性正则化半监督学习

    本文介绍了一种名为 ConMatch 的新型半监督学习框架，它在图像的两个强大的增强视图的模型预测之间智能地利用一致性正则化，权重由伪标签的置信度确定。该方法通过弱增强视图作为锚点，提出了新的伪标签置信度度量方法，包括非参数方法和参数方法。特别是，在参数方法中，我们首次提出在网络内学习伪标签置信度，可以端到端地与骨干模型一起训练。在现有的半监督学习中加入 ConMatch 可以持续提高性能，本文通过实验和大量的消融研究证明了 ConMatch 的有效性。

    Aug, 2022

  • 三维医学图像的一致性半监督分割

    本文提出了一种用于 3D 医学图像分割的半监督学习方法 --TraCoCo，并将传统的均方误差 Semi-Supervised Loss 替换为新的交叉模型置信二元交叉熵损失（CBC），该方法采用不同的空间输入上下文扰动视图，使模型能够从视觉对象中学习分割模式，并通过 CutMix 数据增强进一步提高预测的泛化能力。结果表明，该方法在 Left Atrium 和 Brain Tumor Segmentation 数据集中取得了最先进的效果。

    Mar, 2022

  • 学习胸部放射学的解剖一致嵌入

    本文针对医学图像分析引入了一种新的自监督学习方法 PEAC（解剖一致性的图块嵌入），通过稳定的基于网格的匹配学习全局和局部一致性，并广泛证明了 PEAC 相比现有最先进的完全 / 自监督方法在性能上明显更好，而且能够捕捉同一患者和不同性别、体重、健康状况的患者视图中的解剖结构一致性，提升了我们方法在医学图像分析中的可解释性。

    Dec, 2023

  • ACPL: 半监督医学图像分类中的反课程伪标记

    本文提出了一种反课程伪标记 (ACPL) 的半监督学习算法，它使用新技术选择信息丰富的未标记样本，改善了训练平衡性，并允许模型处理多标签和多类别问题，并通过准确的分类器集成来估计伪标签，该算法通过广泛实验在医学影像分类基准上取得了优异的效果。

    Nov, 2021

  • FreeMatch: 半监督学习中的自适应阈值化

    本文提出一种自适应阈值调整方法 FreeMatch，以更好地利用未标记数据，另外还引入了自适应类公平性正则化惩罚来促进模型多样性预测。实验证明 FreeMatch 相对于最新的 FlexMatch 方法在 CIFAR-10、STL-10 和 ImageNet 上均表现更加优越，可提高不平衡 SSL 的性能。

    May, 2022

  • 自监督对抗鲁棒性分离式对抗性对比学习

    本研究提出了 Decoupled Adversarial Contrastive Learning (DeACL) 框架，将 Adversarial Training 和 Self-supervised Learning 分为两个子问题分别处理，使学习无标签鲁棒表示更加简化和高效，并在实验中取得了业界领先的表现。

    Jul, 2022

  • 医学图像分割的自我监督对齐学习

    最近，自监督学习方法已被用于对二维和三维医学图像的分割模型进行预训练。本文提出了一种新的自监督对齐学习框架来预训练医学图像分割的神经网络，其中包括了一个全新的局部对齐损失和全局位置损失。实验结果表明，该对齐学习方法在有限标注的 CT 和 MRI 数据集上与现有的自监督预训练方法具有竞争力。

    Jun, 2024