弱监督语义分割
文章平均质量分 93
此为本人学习弱监督语义分割阅读文献等分享
AI_Med
分享深度学习、医学图像处理等学习经验
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
【最新综述】医学图像分割深度半监督学习(上)
最近,深度学习在各种计算机视觉任务中展现出了巨大的前景。然而,在许多实际应用中,没有大规模的标记数据集,这限制了深度学习的应用。为了解决这个问题,半监督学习引起了计算机视觉界的广泛关注,尤其是在医学图像分析领域。本文分析了现有的深度半监督医学图像分割研究,并将其分为五大类(即伪标记、一致性正则化、基于 GAN 的方法、基于对比学习的方法和混合方法)。随后,我们通过在两个常见数据集上进行实验,对几种具有代表性的方法进行了实证分析。此外,我们还指出了未来几个有前景的研究方向。原创 2024-07-02 10:26:56 · 3421 阅读 · 2 评论 -
【最新综述】医学图像分割深度半监督学习(下)
Zhang 等人,2017)(图 4(b))。与 Wang,Li 等人(2022 年)和 Wu,Wang 等人(2022 年)类似,一种跨级对比学习算法(You,Zhou 等人,2022 年)被设计用来增强半监督语义分割中局部特征的表示能力。然而,多模态半监督学习面临着一些挑战,主要包括数据模态缺失(Maheshwari, Liu, & Kira, 2023)、模态间类不平衡(Zhang, Zhang et al.,2023)和多模态数据异质性(Chen, Zhou, Liu et al.,2022)。原创 2024-07-02 10:54:52 · 1713 阅读 · 0 评论 -
【最新综述】基于伪标签的半监督语义分割
语义分割是计算机视觉领域的一个重要而热门的研究领域,其重点是根据图像中像素的语义对其进行分类。然而,有监督的深度学习需要大量数据来训练模型,而逐个像素标记图像的过程耗时费力。本综述旨在首次全面、有序地概述半监督语义分割领域中伪标签方法的最新研究成果,我们从不同角度对其进行了分类,并介绍了针对特定应用领域的具体方法。此外,我们还探讨了伪标签技术在医疗和遥感图像分割中的应用。最后,我们还针对现有挑战提出了一些可行的未来研究方向。原创 2024-06-27 15:28:24 · 5072 阅读 · 0 评论 -
【弱监督语义分割】DuPL:双学生鲁棒性弱监督语义分割
与繁琐的多阶段相比,带有图像级标签的单阶段弱监督语义分割(WSSS)因其简化性而受到越来越多的关注。受限于类激活图(CAM)固有的模糊性,我们发现单阶段方法经常会遇到由不正确的 CAM 伪标签引起的确认偏差,从而影响其最终的分割性能。虽然最近的研究抛弃了许多不可靠的伪标签,隐性地缓解了这一问题,但它们未能对其模型进行充分的监督。为此,我们提出了具有可信渐进学习(DuPL)的双学生框架。具体来说,我们提出了一个双学生网络,通过差异损失为每个子网络生成不同的 CAM。原创 2024-04-22 17:12:12 · 2144 阅读 · 0 评论
分享