Jul, 2024

存在高标签噪声的不平衡医学图像分类任务的主动标签精炼强化训练

HTML
PDF
TL;DR这篇研究提出了一种两阶段的方法，结合学习与不确定标签以及主动学习，来提高医学图像分类在存在噪声标签的情况下的鲁棒性，并通过有限的注释预算迭代地改进数据集的质量。同时，引入了新颖的梯度方差方法，辅助基于损失函数的样本选择，同时采样了少数类别样本，以处理类别不平衡问题。实验证明，该方法优于之前的方法，避免将较干净的少数类别样本错误地分类为主要是噪声的样本。
发现论文，激发创造
  • 医学影像分析中的噪声标签深度学习技术探究与研究

    探讨了深度学习中标签噪声的影响，特别是在医疗应用中，给出了针对性的解决方案和建议，以提高深度模型在医疗图像分析中的准确程度。

    Dec, 2019

  • 深度神经网络中的噪声标签学习：综述

    本文综述了深度学习中标签噪声的学习问题，提供了62种最新的鲁棒训练方法，并系统性比较了六个评估指标。同时，分析了噪声估计率和评估方法，并提出了未来的几个研究方向。

    Jul, 2020

  • 资源有限条件下的活动标签清洗，以提高数据集质量

    本文提出一种基于数据驱动的主动标签清理方法来解决数据注释中的标签噪音问题，通过对样本进行优先级排序，提高数据集质量，具有较好的可行性和高效性。

    Sep, 2021

  • 通过自注意力和自监督学习实现对标签噪音容忍的医学图像分类

    本文发明了一种噪声鲁棒训练方法，以应对医学图像分类中不可避免的标签噪声问题，其中包括对比学习和组内注意力 mixup 策略，并通过严格实验验证表明，该方法能够有效地处理标签噪声，并优于现有方法。

    Jun, 2023

  • 医学图像分割中的干净标签解缠

    当前的医学图像分割方法中存在着错误的标注，而现有的研究都未解决干净标签解藕的问题。本研究提出一种简单而高效的类平衡采样策略，用于应对类不平衡问题，并将此方法扩展到噪声特征辅助的干净标签解藕框架，实现从标签集中选择干净标签，并更好地学习语义信息。实验证明了该方法的有效性，并取得了新的最优性能。

    Nov, 2023

  • DIRECT: 不平衡和标签噪音下的深度主动学习

    通过一种新颖的算法 DIRECT，该论文提出了解决机器学习中不平衡问题的有效技术，通过收集更平衡和信息丰富的标记示例来进行注释，相较于现有算法，该算法节省了超过15%的注释预算。

    Dec, 2023

  • 自监督预训练如何提升在不同医学图像分类数据集中对噪声标签的鲁棒性？

    医学图像分类中存在嘈杂标签会对深度学习产生重大影响，自监督预训练可以提高对嘈杂标签的鲁棒性，但这种鲁棒性受诸如类别数目、数据集复杂性和训练规模等因素的影响。本研究全面探讨了自监督学习与医学图像分类中嘈杂标签鲁棒性之间的相互作用，结果显示在五个数据集中（Fetal plane, DermNet, COVID-DU-Ex, MURA, NCT-CRC-HE-100K），DermNet是最具挑战性的数据集，但对嘈杂标签表现出更强的鲁棒性，而对于嘈杂标签的鲁棒性增强方面，对比学习是最有效的自监督方法。

    Jan, 2024

  • 通过防止样本选择的偏差来学习不平衡有噪声数据

    提出了一种用于处理不平衡数据集中的噪声标签的简单而有效的方法，该方法基于类平衡的样本选择（CBS），结合置信度的样本增强（CSA），利用模型的训练动态纠正噪声样本的标签，并采用一致性正则化来提升模型性能。综合实验结果表明，我们的方法在不平衡情况下具有良好的效果和优越性。

    Feb, 2024

  • 探讨视觉变换器在医学图像分类中对标签噪声的稳健性

    医学图像分类数据集中的标签噪声严重影响了受监督深度学习方法的训练，削弱了其泛化能力。本文研究了 Vision Transformer (ViT) 相对于 CNN 的鲁棒性，以及其处理医学图像分类中标签噪声的能力，并使用两个医学图像分类数据集进行了实验验证。

    Feb, 2024

  • 医学预测问题中的有噪标签深度学习: 一项范围审查

    通过对深度学习的医学预测问题中的标签噪声管理进行全面审查，包括标签噪声检测、标签噪声处理和评估，本文提供了一系列实用问题的研究结果，其中包括标签噪声的来源、影响、检测、处理技术以及它们的评估，还提供了标签噪声检测方法和处理技术的分类。

    Mar, 2024