![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
半监督学习
文章平均质量分 94
m0_61899108
这个作者很懒,什么都没留下…
展开
-
【IJCAI2022】Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmentat
论文将对比学习引入半监督分割,并提出了一种新的不确定性引导的半监督医学图像分割像素对比学习方法。具体来说,为每个未标记的图像构建一个不确定性图,然后重新移动不确定性图中的不确定性区域,以降低噪声采样的可能性。不确定性图由精心设计的一致性学习机制确定,该机制通过鼓励来自两个不同解码器的一致性网络输出来生成对未标记数据的全面预测。此外,论文认为由图像编码器学习的有效全局表示对于不同的几何变换应该是等变的,于是构造了一个等变对比损失来增强编码器的全局表示学习能力。原创 2023-11-26 18:10:59 · 992 阅读 · 0 评论 -
【MICCAI2023】Self-aware and Cross-sample Prototypical Learning for Semi-supervised Medical Image Segm
在半监督医学图像分割中,一致性学习表现得非常重要,因为它能够利用有限的注释数据和丰富的未注释数据。但其有效性和效率受到预测多样性和训练稳定性的挑战,而这些往往被现有研究所忽视。同时,用于训练的有限的标记数据往往不足以形成伪标签的类内紧性和类间差异。为解决上述问题,本文提出了一种自感知和跨样本原型学习方法(SCP-Net),通过利用来自多个输入的更广泛的语义信息来增强一致性学习中预测的多样性。引入了一种自感知的一致性学习方法,利用未标记数据来提高每个类中伪标签的紧凑性。原创 2023-06-12 01:42:14 · 3119 阅读 · 0 评论 -
【CVPR2023】Conflict-Based Cross-View Consistency for Semi-Supervised Semantic Segmentation
半监督语义分割(SSS)可以减少对大规模全注释训练数据的需求。现有方法处理伪标记时常常会受到确认偏差的影响,这可以通过联合训练框架来缓解。目前基于联合训练的SSS方法依赖于手工制作的每个扰动来防止不同的子网坍塌,但人为扰动难以得到最优解。本文提出一种新的基于冲突的跨视图一致性(CCVC)方法,该方法基于两个分支的联合训练框架,旨在强制两个子网从不相关的视图中学习信息特征。首先提出一种新的跨视图一致性(CVC)策略,该策略通过引入特征差异损失来鼓励两个子网从同一输入中学习不同的特征,同时这些不连续的特征有望生原创 2023-06-11 11:02:10 · 2452 阅读 · 0 评论 -
【CVPR2021】CPS: Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision
论文为半监督语义分割任务设计了一种非常简洁而又性能很好的算法:cross pseudo supervision (CPS)。训练时,使用两个相同结构、但是不同初始化的网络,添加约束使得两个网络对同一样本的输出是相似的。具体来说,当前网络产生的one-hot pseudo label,会作为另一路网络预测的目标,这个过程用cross entropy loss监督。原创 2023-06-09 18:04:50 · 2201 阅读 · 0 评论 -
半监督分割:从数据增强到学习范式
图像分割应用的最大阻碍是缺乏高质量标注的训练数据。深度分割模型的泛化能力依赖大规模和高质量的像素级标注数据。 事实上,图像分割标注是一个昂贵且耗时的过程。对于新的任务或是需要快速应用的场景,数据稀缺问题更为严重。因此,数据标注的高成本降低了模型在新任务和扩展性,从而阻碍了深度分割模型在现实中的应用。为了缓解数据标注压力,当前已有大量的工作来进行半监督和弱监督的图像分割。例如,利用少量精确标注的数据、稀疏的标注、带噪声的标注、分类标注或者以上几种组合实现半监督图像分割模型。 然而,半监督图像分割具有其天然的转载 2023-06-08 09:17:08 · 1070 阅读 · 0 评论 -
【TMI2023】Contrastive Semi-Supervised Learning for Domain Adaptive Segmentation Across Similar Anatom
半监督学习(SSL)方法可以减少注释的需求,但是当数据集和注释图像数量较小时,其性能仍然受到限制。利用具有相似解剖结构的现有标注数据集来辅助训练可以提高模型性能。但是,这个方法面临的挑战是由于目标结构的外观和成像模式与现有标注数据集不同,导致解剖跨域差异。为了解决这个问题,这篇论文提出了跨解剖域自适应对比半监督学习CS-CADA方法,通过利用源域中一组类似结构的现有标注图像来适应目标域的模型分割类似结构,只需要在目标域中进行少量标注。转载 2023-06-03 22:41:28 · 1292 阅读 · 0 评论 -
【医学图像】图像分割系列.3 (uncertainty)
介绍几篇使用不确定性引导的医学图像分割论文:UA-MT(MICCAI2019),SSL4MIS(MICCAI2021),UG-MCL(AIIM2022).原创 2023-05-30 21:58:12 · 2503 阅读 · 0 评论 -
【论文笔记】数据增强系列.1
本文简单介绍数据增强、好处和常见方式,以及最近的三篇数据增强的论文:CutMix(ICCV2019),ContrastMask(CVPR2022),BCP(CVPR2023)。数据增强是深度学习中的一种技术,它通过从现有数据生成新的训练数据来扩展原数据集。数据增强工具通过操作现有数据的参数,将数据转换为新的、独特的样本。可以对图像、文本、音频和视频输入执行数据增强。有两种类型的数据增强:离线(增强图像存储在驱动器上,然后在训练模型之前与真实数据相结合)和在线(数据增强应用于随机选择的图像并用于训练原始数原创 2023-05-16 21:43:20 · 2183 阅读 · 0 评论 -
【半监督学习】CNN与Transformer的结合
本文介绍了几篇结合使用CNN和Transformer进行半监督学习的论文,CNN&Trans(MIDL2022),Semi-ViT(ECCV2022),Semiformer(ECCV2022)。原创 2023-11-19 20:01:53 · 3141 阅读 · 0 评论 -
【半监督学习】Match系列.4
介绍几篇关于半监督学习的论文:CLS(arXiv2022),Ada-CM(CVPR2022),SemiMatch(CVPR2022).原创 2023-05-17 21:40:03 · 887 阅读 · 0 评论 -
【综述】半监督语义分割
图像分割是最古老、研究最广泛的计算机视觉 (CV) 问题之一。图像分割是指将图像划分为不同的非重叠区域,并将相应的标签分配给图像中的每个像素,最终获得ROI区域位置及其类别信息。一般,我们将分割任务分为语义分割和实例分割,前者是将每个像素与相应的语义类别进行分类,从而为属于该类别的所有对象或图像区域赋予相同的类别标签;后者则更进一步,试图区分出同一类别的不同实例(如上图所示)。本文主要围绕语义分割进行展开介绍。转载 2023-04-12 22:22:10 · 1207 阅读 · 0 评论 -
【论文合集】Semi-Supervised Semantic Segmentation
Semi-Supervised Semantic Segmentation原创 2023-04-07 09:42:26 · 2017 阅读 · 0 评论 -
【半监督学习】Match系列.2
本文简单介绍半监督算法中的Match系列方法:CoMatch(ICCV2021),CRMatch(GCPR2021),Dash(ICML2021),UPS(ICLR2021),SimMatch(CVPR2022),AdaMatch(ICLR2022)。原创 2023-05-07 22:23:52 · 1695 阅读 · 0 评论 -
【半监督学习】Match系列.3
半监督语义分割旨在利用尽可能少的有标注图像以及大量的无标注图像来学得一个较好的分割模型。其中,对有标注图像的学习一般类似于全监督语义分割,如计算预测结果与人工标注之间的交叉熵损失,问题的关键在于如何利用无标注图像。本文简单介绍半监督算法中的Match系列方法:FreeMatch(ICLR 2023),SoftMatch(ICLR2023),UniMatch(CVPR2023)。原创 2023-05-13 20:55:31 · 1400 阅读 · 0 评论 -
【半监督学习】Match系列.1
近来半监督图像分类任务有两大核心方法:一致性正则(Consistency Regularization)和打伪标签法(Pseudo-Label)。本文简单介绍半监督算法中的Match系列方法:MixMatch(NIPS 2019),ReMixMatch(ICLR 2020),FixMatch(NIPS 2020),FeatMatch(ECCV 2020),FlexMatch(NlPS 2021)。原创 2023-05-06 11:30:15 · 1114 阅读 · 0 评论