深度学习
文章平均质量分 80
qq_35962437
这个作者很懒,什么都没留下…
展开
-
Scribble-Supervised Cell Segmentation via Self-generating Pseudo-Labels with Consistency
1. 引言作者提出一种弱监督的图像分割算法,只需要少量的潦草的人工注释就可以达到高精确度和鲁棒性。该方法与传统的潦草注释学习算法一样使用潦草注释,但是他们将pseudo-labeling和label-filtering结合。该方法引入了一种新的迭代的图像分割网络的训练过程,该过程通过弱监督,自动地生成训练注释,从而只需要一小部分的人工注释。该方法提出了一种新的思想,将pseudo-labeling和label-filtering结合,利用一致性来生成可靠的训练注释。该方法与现有的scribble监督原创 2021-08-08 13:35:13 · 551 阅读 · 0 评论 -
Learning to Segment When Experts Disagree
1. 背景最近几年,人们大量地使用监督学习进行分类任务。这些算法的精确度依赖于标签的质量。特别是医学图像领域,标注的代价很大而且观测者之间的差异也很大,不同的专家的水平差异会导致标签中存在各样的噪声。盲目地将这些噪声视作ground truth会导致模型的表现。作者提出了一种神经网络架构,仅从带有噪声的观察结果,联合学习单个注释者的可靠性和真实的分割标签分布。2. 相关工作为了解决观测者之间的差异,需要融合不同观察者的标签。STAPLE是一种常用的标签融合方法,这种方法对每个观测者的可靠程度进行建模,原创 2021-08-06 15:06:51 · 147 阅读 · 0 评论 -
Deep Residual Learning for Image Recognition (ResNet)
译文:https://www.jianshu.com/p/f71ba99157c7文中将identity mapping翻译为自身映射,个人认为翻译为恒等映射更准确,即f(x)=xf(x)=xf(x)=x。ResNet,残差网络。在叠加网络深度的时候,会暴露出退化问题:随着神经网络深度的增加,准确度趋近于饱和,然后迅速下降。这种退化问题并不是过拟合导致的。作者提出了一个猜想:从一个训练好的浅层网络中,插入一些恒等变换层。即插入的层不改变输入,输出等于输入。如图中下面的网络结构其实是上面网络结构加原创 2021-07-14 15:34:31 · 96 阅读 · 0 评论 -
Attention, Suggestion and Annotation: A Deep Active Learning Framework for Biomedical Image Segmenta
参考自CSDN博主「xinrui_zhuang」的原创文章,原文链接:https://blog.csdn.net/xinrui_zhuang/article/details/790178831 背景近年来深度学习用于生物医学图像分割已经取得了不错的成绩,也有很多研究人员在原有的基础上不断改变网络结构,使分割结果不断得到提升,然而目前困扰大家的一个最严重的问题就是训练数据的不足,现有的公开生物医学图像的数据集有效标注的数据也只是在几十几百的数量级上,跟普通自然图像分类数据集相比仍然相距悬殊。主要原因是对于原创 2021-07-13 15:27:10 · 297 阅读 · 1 评论 -
Deep KNN for Medical Image Classification
医学诊断通常需要大量的数据支撑,然而一般只有部分疾病拥有大量的数据。数据量过少限制了大多数神经网络在医学诊断方面的使用。面对小数据集,KNN是一个不错的方法。但是传统KNN中,分类器和特征提取器是分离的,这导致了KNN无法提取出具有针对性的特征。本文提出了一种改良的KNN——deep KNN,将分类器和特征提取器联合起来。如图所示的数据分布,实心圆、空心圆和叉叉分别表示不同的分类。由于分类在特征空间中存在交叉是很正常的,因此对于一个数据来说,其近邻可能并不来自同一分类。经过第t-1次迭代后,对于样本x原创 2021-07-12 17:07:45 · 425 阅读 · 0 评论