- 释放早期时期的潜力:不确定性感知的 CT 金属伪影减少
通过计算机断层扫描(CT),本研究发现利用初始训练权重所计算的不确定性图像可以有效地突显高频区域(包括金属伪影),从而帮助去除金属伪影,实验结果显示不确定性约束损失进一步优化了网络训练过程并显著提高了去除金属伪影的效果。
- GLiNER 多任务:通用轻量级模型用于各种信息提取任务
介绍一种新型 GLiNER 模型,用于各种信息提取任务,同时作为一个小型编码器模型。该模型在零样本 NER 基准测试上达到了最佳性能,并在问答、摘要和关系抽取任务上具有领先的性能。此外,本文还涵盖了使用 GLiNER 模型进行命名实体识别的 - 通过正则化的潜在搜索重建可解释的计算增强显微镜特征
监督深度学习可以通过学习两种图像分辨率或模态之间的映射来人工增加显微镜图像的分辨率。我们提出了一种基于规则化潜在搜索(RLS)的强大超分辨率方法,它在保持实际效果和真实性之间提供了可行的平衡,并结合了深度学习和基于可解释生物特征的手工算法的 - 多标签遥感图像分类中 CutMix 的标签传播策略
介绍一种在遥感(RS)领域中的多标签场景分类(MLC)问题中,有效应用 CutMix 数据增强技术的标签传播策略。实验证明该标签传播策略在有噪声的类别位置信息的各种模拟和真实情景下具有稳健性。
- 预测感知光泽:弱标签是否足够?
从图像中直接估计材料的感知属性是一项具有挑战性的任务,本研究通过使用强标签和弱标签的组合学习了一个低维图像可计算光泽度度量标准,提高了光泽度的预测准确性,并在减少人工标注成本的同时保持了准确性。
- 基于集成结构的异常评分扩散模型的无监督异常检测
本研究探讨了结构相似度(SSIM)在大脑 MRI 异常检测方面的潜力,并展示了一种自适应集成策略,该策略能够增强深度学习模型的性能,并减少对不同病理图像的核大小的敏感性。
- 从 3T 采集合成 7T MRI
用监督深度学习技术可以从 3T MRI 输入生成合成的 7T MRI。本文介绍了多种基于自定义变体的 V-Net 卷积神经网络的 7T 合成算法。我们证明基于 V-Net 模型在增强单点和多点 MRI 数据集方面的性能优于现有基准模型。我们 - 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 - SECP: 基于语音增强的清晰语音可扩展采集过程
简化后:本文提出了一种基于语音增强的策划管道(SECP)框架,旨在最小化对人工听力和注释的依赖,通过两个迭代循环的运行,观察到使用增强输出作为基本真实性的模型性能不降低,并通过主观测试表明改进数据的最高和最低边界比原始数据更具感知效果。
- 无需训练的图像风格对齐技术用于手持式超声设备上的自适应领域偏移
通过 Training-free Image Style Alignment (TISA) 框架,本研究旨在解决手持式超声设备在医学诊断中的使用局限性问题,通过样式对齐手持设备数据和标准设备数据,实现无需额外训练的手持设备图像推理,用于临床 - 自监督学习用于脑电图的系统调查
本文提出了一种针对脑电图( EEG)信号的自我监督学习( SSL)框架综述,讨论了典型的 SSL 框架、现有的 EEG-SSL 框架以及 SSL 方法在不同下游任务中的适应性和潜在发展方向。
- 时间序列中的通用事件检测
我们的研究论文介绍了一种监督深度学习方法,用于多变量时间序列数据中的事件检测,采用回归而不是二分类。我们通过建立数学模型证明了我们的方法是普适的,能够在时间序列上满足任意精度的任何类型的事件检测,特别适用于罕见事件和不平衡数据集。
- 快速可控扩散模型用于少样本 MRI 重建
该研究介绍了一种名为 PPN(Predictor-Projector-Noisor)的新算法,它增强并加速了 MRI 低采样重建的可控生成扩散模型,结果表明 PPN 比其他可控采样方法更快速地产生与低采样 k 空间测量一致的高保真 MR 图 - 使用弱监督学习从 2D 图像中处理和分割人牙齿
使用弱监督方法进行牙齿分割,通过关键点检测网络的输出热图和中间特征图来引导分割过程,采用 TriDental 数据集训练牙齿关键点检测网络,结合不同层次的特征图实现准确牙齿分割,进一步利用检测到的关键点优化分割结果,在真实牙科应用中实现成本 - 使用合成的基于视频的数据训练鲁棒的深度生理测量模型
本文提出了在合成生理信号和相应的面部视频中添加真实世界噪声的几种方法,并在三个公开的真实世界数据集上评估了我们的框架,结果显示我们能够将平均 MAE 从 6.9 降低到 2.0。
- 自我监督的 TransUNet 用于儿童尺骨远端超声区域分割
使用无标签领域特定数据进行自监督学习的方法在医学图像上产生了令人注目的效果,该论文研究了在儿童腕部超声扫描中使用 TransUNet 的口罩自编码器自监督学习 (SSL-MAE) 方法,用于分割骨骼区域,并发现改变嵌入和损失函数能够产生比原 - RadarLCD:可学习的基于雷达的闭环检测流水线
RadarLCD 是一种使用 FMCW 雷达的监督深度学习管道,旨在解决环路闭合检测的挑战,通过利用预训练的 HERO 模型和选择 LCD 关键点,该方法在多个方面超越了当前的闭合环路检测系统。
- ICCV自我监督语义分割:变换一致性
通过使用自监督算法 S³-Net 结合 Inception Large Kernel Attention(I-LKA)模块、可变形卷积和空间一致性损失项,本研究提出一种精确医学图像分割方法,并在皮肤病变和肺器官分割任务中展现了超越 SOTA - 双域插值扩散先验无监督 CT 金属伪影去除
在本文中,我们基于扩散模型提出了一种无监督金属伪影减弱方法,利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识,去除由金属伪影引起的退化区域,实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法,并且在临床数据 - 揭示潜在模式:研究数据集相似性、性能和泛化
通过添加一小部分未见图片到训练集中,我们的方法可以降低训练与注释成本,提高监督式深度学习模型的泛化性能,并在动态环境中对未见数据的模型性能提供估计。