- 自适应自监督一致性引导扩散模型在加速 MRI 重建中的应用
基于自监督深度学习的压缩感知磁共振成像方法 “自适应自监督一致性引导扩散模型 (ASSCGD)” 提出,用于加速数据采集而无需完全采样的数据集。
- 利用自监督深度学习在开放海洋海上监控中检测有意关掉的 AIS
通过自监督深度学习技术和 Transformer 模型,本文提出了一种检测异常 AIS 信号丢失的新方法,通过预测和比较来报告检测到的异常情况。该方法可以实时处理海事交通监控中的 AIS 数据,并验证了先前已探测到的故意 AIS 关闭情况。
- SINCERE: 监督信息噪声对比估计再探讨
通过改进 InfoNCE 的 Supervised InfoNCE REvisited(SINCERE)损失函数,我们提出了一种理论上合理的自监督深度学习方法,可以有效防止同类图像在嵌入空间中互相排斥,从而提高预训练过程中的类别嵌入分离性和 - 自监督深度学习在定量 MRI 中使用 Rician 似然损失函数
利用负对数瑞合分布似然损失替代传统的 MSE 损失, 提出了一种同时提高精度和稳定性的深度学习方法,有效提高了自我监督的 MR 成像方法中扩散系数的参数估计精度,能够更准确地处理噪声数据。
- 一种图神经网络方法用于时间网格混合和对应
提出了一个自主学习深度学习框架,用于在网格不对应的情况下解决网格混合问题,并使用 Red-Blue MPNN 和图神经网络识别所有权,进一步开发了一个图神经网络,使用运动捕捉数据集和人体网格设计软件,创建了一个大规模的合成数据集,结果表明该 - 恶劣天气下的多回声降噪
提出了一种多回波去噪的方法,基于一种新的自监督深度学习方法和特征相似性正则化方法来提高自监督逆向散射雷达图像去噪任务性能,从而实现在恶劣天气条件下获得更可靠的点云,保证自动驾驶车辆的安全性。
- 医学图像分类的自监督方法:每类约 100 个标记样本的最先进性能
本研究通过采用 DINO 框架,尤其是使用非监督式学习中的图像表示来分析了医学图像分类中的无监督深度学习性能,并证明这种方法可以在使用少量标记数据(大约每类 100 个标记样本)的情况下,取得超过现有技术的性能表现。
- 关于 “基于自监督深度学习的快速可扩展全幻灯片图像搜索” 的评论
作者提出的自监督图像检索方法相比于 Yottixel 的改进有诸多疑虑,并未引用文献,另外实验和比较也存在问题。
- 使用本地神经转换在时间序列中检测异常
该研究提出了一种新的基于自监督深度学习的检测时间序列异常值的方法,该方法通过学习局部变换来提高时间序列异常检测的效果。实验结果表明该方法可应用于多个领域。
- 本地可塑性规则可使用自监督对比预测学习深度表征
这篇论文提出了一种受到神经科学和自监督深度学习最新进展启发的学习规则,使用局部,赫布规则进行权重更新,并具有深度分层的图像、语音和视频表示。
- 运动监督下的协同分割
提出了一种自我监督深度学习方法用于共同部分分割,通过挖掘从视频中推断出的运动信息,该方法能够产生比以前的自监督共同部分分割方法更好的分割地图。
- CVPRSCOPS: 自监督联合分割
本文提出了自监督深度学习方法,通过多种损失函数使分割结果既有几何的聚焦性,又能在不同物体实例之间保持语义一致性,实现即将物体分割的任务。研究表明,与现有的自监督技术相比,该方法能够产生更具语义一致性的分段,并且紧贴物体边界。
- EV-FlowNet: 自监督事件型相机光流估计
本文介绍了一种新的基于自监督深度学习的光流估计方法 EV-FlowNet,用于事件驱动相机。该方法不仅可以准确地估计密集光流,还为其他自监督方法到事件驱动领域提供了转移框架。