Semi-Supervised Learning
文章平均质量分 85
xiongxyowo
这个作者很懒,什么都没留下…
展开
-
简单入门理解半监督中的Mean Teacher
简单入门理解半监督中的Mean Teacher原创 2023-02-16 21:22:10 · 7441 阅读 · 10 评论 -
[论文阅读] Semi-supervised Semantic Segmentation via Strong-Weak Dual-Branch Network
虽然现有的工作已经探索了各种技术来推动弱监督语义分割的发展,但与监督方法相比仍有很大差距。在现实世界的应用中,除了大量的弱监督数据外,通常还有一些可用的像素级注释,在此基础上,半监督跟踪成为一种有前途的语义分割方式。目前的方法只是将这两组不同的注释捆绑在一起,训练一个分割网络。然而,我们发现这样的处理方式是有问题的,所取得的结果甚至比仅仅使用强标签还要糟糕,这表明对弱标签的误用。为了充分挖掘弱标签的潜力,我们建议通过一个强弱双分支网络对强注释和弱注释进行单独处理,将大量不准确的弱监督与强监督区分开来。我们设原创 2023-02-13 11:55:22 · 602 阅读 · 2 评论 -
[论文阅读] Curriculum Semi-supervised Segmentation
本研究调查了半监督CNN分割的课程式策略,它设计了一个回归网络来学习图像级信息,如目标区域的大小。这些回归被用来有效地规范分割网络,约束未标记图像的softmax预测,使其与推断的标签分布相匹配。我们的框架基于不等式约束,可以容忍推断出的知识中的不确定性,例如,回归的区域大小。它可以用于大量的区域属性。我们评估了我们的方法在磁共振图像(MRI)中的左心室分割,并将其与标准的基于建议的半监督策略相比较。我们的方法取得了有竞争力的结果,以更有效的方式利用了未标记的数据,并接近完全监督的性能。原创 2022-11-30 16:37:39 · 1102 阅读 · 1 评论 -
[论文翻译] Learning with Limited Annotations: A Survey on Deep Semi-Supervised Learning for Medical
医学图像分割是许多图像引导的临床方法中的基本和关键步骤。最近基于深度学习的分割方法的成功通常依赖于大量的标记数据,特别是在医学成像领域,只有专家才能提供可靠和准确的注释,这一点特别困难和昂贵。 半监督学习已经成为一种有吸引力的策略,并被广泛地应用于医学图像分割任务中,在有限的注释下训练深度模型。在本文中,我们全面回顾了最近提出的用于医学图像分割的半监督学习方法,并总结了技术上的创新和经验上的结果。此外,我们还分析和讨论了现有方法的局限性和几个未解决的问题。我们希望这篇综述能够激励研究界探索解决这一挑战的方法翻译 2022-11-25 15:12:12 · 1667 阅读 · 0 评论 -
[论文阅读] Collaborative and Adversarial Learning of Focused and Dispersive Representation
从结肠镜图像中自动分割息肉是计算机辅助诊断结直肠癌的一个重要步骤。近年来报道的大多数息肉分割方法都是基于完全监督的深度学习。然而,医生在诊断过程中对息肉图像的注释是非常耗时和昂贵的。在本文中,我们提出了一种新的半监督的息肉分割方法,通过协作和对抗学习的集中和分散表征学习模型,其中集中和分散提取模块被用来处理息肉位置和形状的多样性。此外,在对抗性训练框架中由鉴别器产生的置信图显示了利用未标记数据和提高分割网络性能的有效性。进一步采用一致的正则化来优化分割网络,以加强重点和分散提取模块的输出的代表性。我们还提出原创 2022-11-24 15:25:15 · 1023 阅读 · 1 评论 -
[论文阅读] Adversarial Learning for Semi-Supervised Semantic Segmentation
我们提出了一种使用对抗性网络进行半监督性语义分割的方法。虽然大多数现有的判别器都是在图像层面上对输入图像进行真假分类的训练,但我们以完全卷积的方式设计了一个判别器,以区分预测的概率图和考虑到空间分辨率的地面真实分割分布。我们表明,通过将对抗性损失与拟议模型的标准交叉熵损失相结合,所提出的判别器可用于提高语义分割的准确性。此外,全卷积判别器通过发现未标记图像的预测结果中值得信赖的区域,从而提供额外的监督信号,实现半监督学习。与现有的利用弱标记图像的方法相比,我们的方法利用未标记的图像来增强分割模型。在PASC原创 2022-11-24 15:10:15 · 1768 阅读 · 0 评论 -
[论文阅读] FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence
原创 2022-05-29 14:26:27 · 429 阅读 · 0 评论 -
[论文阅读] BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling
[论文地址] [代码] [CVPR 22]部分描述可能不准确,详见本文评论区在本文中,我们提出了一个名为BoostMIS的新型半监督学习(SSL)框架,它结合了自适应伪标签和信息性主动注释,以释放医学图像SSL模型的潜力:(1)BoostMIS可以根据当前的学习状态,自适应地利用集群假设和未标记数据的一致性规范化。这一策略可以自适应地生成由任务模型预测转换而来的单次 "硬 "标签,以更好地进行任务模型训练。(2) 对于未选择的低置信度的未标记图像,我们引入主动学习(AL)算法,通过利用虚拟对抗扰动和模型的密原创 2022-05-27 16:49:41 · 1226 阅读 · 6 评论 -
[论文阅读] Cross-level Contrastive Learning and Consistency Constraint for Medical Image Segmentation
论文地址:https://arxiv.org/abs/2202.04074代码:https://github.com/ShinkaiZ/CLCC-semi发表于:ISBI 22Abstract半监督学习(SSL)旨在利用少数标记的图像和大量未标记的图像进行网络训练,有利于减轻医学图像分割中的数据注释负担。根据医学影像专家的经验,局部属性如纹理、光泽和平滑度是识别医学图像中病变和息肉等目标对象的非常重要的因素。受此启发,我们提出了一种跨层对比学习方案,以提高半监督医学图像分割中局部特征的表示能力。与现原创 2022-02-17 09:31:30 · 2580 阅读 · 0 评论