![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
文献阅读
文章平均质量分 93
文献阅读笔记
Better Rose
双非保研985,CS研1,深度学习,参与发表两篇SCI,计算机保研与数模竞赛经验分享
展开
-
【论文阅读】Multi-layer pseudo-supervision for histopathology tissue semantic segmentation using patch-le
使用patch级别的分类标签来实现对组织病理图像的组织语义分割,最终减少了标注的工作量。提出了一个包括分类和分割两个阶段的两步模型。在分类阶段,我们提出了一种基于CAM的模型,通过patch级别的标签来生成伪掩模。在分割阶段,我们提出了多层伪监督算法Multi-Layer Pseudo-Supervision实现了组织语义的分割。介绍了一种新的肺腺癌弱监督语义分割(WSSS)数据集(LUAD-HistoSeg)。我们提出的模型比五种最先进的WSSS方法性能更好。原创 2024-07-21 21:23:50 · 671 阅读 · 0 评论 -
【论文阅读】Causal Intervention for Weakly-Supervised Semantic Segmentation
给定仅具有图像级类标签的训练图像,我们首先训练一个多标签分类模型。对于每个图像,我们推断出特定类的种子区域(the class-specific seed areas),使用CAM应用于上述训练模型对于种子区域进行扩张以获得最终的像素级的分割伪标签,这些伪掩膜用作训练标准模型的 ground-truth(使用图像数据集和分割伪标签训练传统的分割算法)文章对于从图像级标签推断像素级掩码本质,给出了一个基于因果推理的正式答案,并提出了一个原则性的基本解决方案。原创 2022-10-23 11:23:41 · 384 阅读 · 1 评论 -
【论文阅读】Causality matters in medical imaging
因果推断,能够比较全面清晰地理解数据产生机制和相互影响关系,从而可以更容易地提前确定任何问题,并可以通过使用合适的数据收集、注释和ML策略来解决,从而为医疗图像中的机器学习方法提供指导和参考介绍如何利用因果图(Causal Diagram)为在医疗图像领域应用机器学习方法处理图像分类,图像分割等具体问题提供参考。主要关心如何利用因果帮助解决在上述任务中可能遇到的数据缺乏(Data Scarcity)及数据不匹配(Data Mismatch)问题。原创 2022-10-18 15:08:07 · 773 阅读 · 2 评论