contrastive learning medical image segmentation

最新推荐文章于 2023-11-26 18:10:59 发布
最新推荐文章于 2023-11-26 18:10:59 发布
阅读量535 收藏 3
点赞数
文章标签： 人工智能 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44996943/article/details/129865115
版权

1、Dual Contrastive Learning with Anatomical Auxiliary Supervision for Few-shot Medical Image Segmentation（ECCV 22）（perfect）

pdf：https://link.springer.com/chapter/10.1007/978-3-031-20044-1_24
code：https://github.com/cvszusparkle/AAS-DCL_FSS
model：
在这里插入图片描述
模型图中的PE,PCL,CCL模块
在这里插入图片描述
模型图中的CIP模块
在这里插入图片描述

1、Positional Contrastive Learning for Volumetric Medical Image Segmentation（MICCAI 21）

pdf：https://arxiv.53yu.com/pdf/2106.09157.pdf
code：https://github.com/dewenzeng/positional_cl
在这里插入图片描述

2、Self-Paced Contrastive Learning for Semi-supervised Medical Image Segmentation with Meta-labels（neurips 21）

pdf：https://arxiv.org/pdf/2107.13741.pdf
code：https://github.com/jizongFox/Self-paced-Contrastive-Learning
论文中无模型图

3、Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation（ISBI 22）

pdf：https://arxiv.53yu.com/pdf/2202.04074.pdf
code：https://github.com/ShinkaiZ/CLCC-semi
model：
在这里插入图片描述

4、[IJCAI’ 22] Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmentation

pdf: https://www.ijcai.org/proceedings/2022/0201.pdf
code：https://github.com/taovv/UGPCL
model:
在这里插入图片描述

师大云帆
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ContrastiveSeg:探索跨图像像素对比度的语义分割
03-06
探索跨图像像素对比度的语义分割 ， ，，，，和 arXiv技术报告（ ） 抽象的 当前的语义分割方法仅关注于通过上下文聚合模块（例如，扩张的卷积，神经注意力）或结构感知优化标准（例如，类似IoU的损失）来挖掘“局部”上下文，即单个图像内像素之间的依赖关系。 但是，它们忽略了训练数据的“全局”上下文，即不同图像之间像素之间的丰富语义关系。 受无监督对比表示学习的最新进展启发，我们提出了一种在完全监督环境下进行语义分割的像素级对比框架。 核心思想是强制属于同一语义类的像素嵌入要比来自不同类的像素嵌入更相似。 通过显式地探索标记的像素的结构，该字段提出了一种用于语义分割的逐像素度量学习范式，这些标记字段在本领域中长期被忽略。 我们的方法可以毫不费力地合并到现有的细分框架中，而无需在测试过程中增加额外的开销。 我们通过实验证明，借助著名的细分模型（即DeepLabV3，HRNet，OCR）和
Max-Margin Contrastive Learning.pdf
12-22
Max-Margin Contrastive Learning 对比学习是现在机器学习热点研究方法之一。来自霍普金斯、MIT等学者受支持向量机启发，提出最大化间隔对比学习，能够选择更好负样例，提供更好的对比学习性能。 标准的对比学习方法...
Contrastive learning of global and local features for medical image segmentation
FengF2017的博客
01-17 1898
医疗图像分割中有限标注情况下的全局和局部特征的对比学习 论文信息 Paper:Contrastive learning of global and local features for medical image segmentation with limited annotations Link:[NIPS 2020 oral presentation]https://papers.nips.cc/paper/2020/file/949686ecef4ee20a62d16b4a2d7ccca3-Pape
02-Contrastive learning of global and local features for medical image segmentation with limited ann
Qiu_David的博客
09-25 810
Contrastive learning of global and local features for medical image segmentation with limited annotations Accepted at NeurIPS 2020 Ting Chen code paper 读这篇论文前可先读《A Simple Framework for Contrastive Learning of Visual Representations》,本论文是对其的改进。 简介 ​ 自监督学习使用
论文解读《Semi-supervised Contrastive Learning for Label-efficient Medical Image Segmentation》
weixin_37591159的博客
03-31 4190
论文解读《半监督对比学习高效标签的医学图像分割》 期刊名： MICCAI 2021 代码： 代码地址 论文地址： 论文地址 摘要：深度学习方法在医学图像分割分割任务中的成功与否，很大程度上依赖于大量标注数据的监督训练。另一方面，生物医学l图像的注释需要领域知识，可能很费力。近年来，对比学习在学习图像的潜在表征方面表现出了巨大的潜力。现有的工作已经探索了它在生物医学图像分割中的应用，其中只有一小部分数据被标记，通过基于自我监督对比学习的训练前阶段，不使用任何标签，然后只对标记的部分数据进行监督微调阶段。 在
论文笔记：ICCV2021 Region-aware Contrastive Learning for Semantic Segmentation
Blair_2的博客
11-01 1425
Background： 目前的方法集中在上下文信息的探索上，忽略了不同图像之间的潜在关联。focus on mining contextual information in all kinds of ways within the image, neglecting the potential relation information from other images. 无监督对比学习因为利用了memory bank可以获得更好的特征表征。但是无监督学习侧重于分类，而语义分割比起分类更侧重语义信息。
CONTRASTIVE LEARNING OF STRUCTURED WORLD MODELS
06-02
计算机视觉Github开源论文
contrastive-learning:对比学习方法
03-10
对比学习方法支持更多内容的对比学习方法的第三方pytorch实现（请参阅“可用内容”部分）。有什么可用的？ 使用SimCLR进行对比学习预训练通过停止梯度进行在线线性评估Pytorch闪电登录和默认收益（多GPU训练，混合...
Article Analysis(AA): A Simple Framework for Contrastive Learning of Visual Representations
01-20
A Simple Framework for Contrastive Learning of Visual Representations 作者： Ting Chen, Simon Kornblith, Mohammad Norouzi, Geoffrey Hinton 本文提出一种简洁有效的设计的无监督设计，并且以7%的margin刷新...
Contextualized Spatio-Temporal Contrastive Learning with Self-S
01-02
Contextualized Spatio-Temporal Contrastive Learning with Self-Supervision_情境化时空对比学习与自我监控.pdf
【论文阅读】医疗影像分割中的半监督学习Semi-supervised
m0_37477175的博客
05-08 7470
前言 医疗影像的数据紧缺问题我就不再多bibi了，为了解决这个问题，出现了很多的方法，像主动学习，迁移学习，半监督学习等弱监督学习方法，部分方法在图像分类中有很突出的应用。但是！图像分割尤其是医疗影像分割方面的弱监督方法还有待发掘～当然，也存在一些简单的方法，比如使用少量的数据训练的模型去预测未标注的数据，得到伪标签然后加入训练集继续训练。。。（在分类任务中比较常用） 本博客就分享一偏使用半监督...
《论文阅读》FocalMix: Semi-Supervised Learning for 3D Medical Image Detection
未知丶的博客
09-07 1420
留个笔记自用 FocalMix: Semi-Supervised Learning for 3D Medical Image Detection 做什么 3D医学图像分割，也是传统应用了，就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程 做了什么 怎么做 总结 ...
【IJCAI2022】Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmentat
最新发布
m0_61899108的博客
11-26 939
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。
IJCAI2022 Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmen...
qq_43656233的博客
09-05 505
最近，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，在半监督场景中应用对比学习具有挑战性。为了解决这个问题，我们提出了一种新颖的用于半监督医学图像分割的不确定性引导像素对比学习方法。具体来说，我们为每个未标记图像构建不确定性图，然后去除不确定性图中的不确定性区域以减少噪声采样的可能性。不确定性图是由精心设计的一致性学习机制确定的，该机制通过鼓励两个不同解码器的一致网络输出来生成对未标记数据的全面预测。此外，我们建议图像编码器学习的有效全局表示应该与不同的几何变换等效。
[论文阅读] Self-supervised Correction Learning for Semi-supervised Biomedical Image Segmentation
xiongxyowo的博客
10-13 716
论文地址：https://doi.org/10.1007/978-3-030-87196-3_13 代码：https://github.com/ReaFly/SemiMedSeg 发表于：MICCAI’21 Abstract 生物医学图像分割在计算机辅助诊断中起着重要作用。然而，现有的基于CNN的方法在很大程度上依赖于大量的人工标注，这些标注非常昂贵，需要大量的人力资源。在这项工作中，我们采用了从粗到细的策略，并提出了一种用于半监督生物医学图像分割的自监督校正学习范式。具体来说，我们设计了一个双任务网络，包
【半监督医学图像分割 2022 MICCAI】SCS 论文翻译
wujing1_1的博客
02-14 1665
摘要深度学习方法在医学图像分割任务中的成功与否，很大程度上依赖于大量标注数据的监督训练。另一方面，生物医学图像的注释需要领域知识，可能是费力的。近年来，对比学习在学习图像的潜在表征方面表现出了巨大的潜力。现有的工作已经探索了它在生物医学图像分割中的应用，其中只有一小部分数据被标记，通过基于自我监督对比学习的训练前阶段，不使用任何标签，然后只对标记的部分数据进行监督微调阶段。在本文中，我们建立了通过在训练前阶段包含有限的标签信息，可以提高对比学习的性能。我们提出了一种有监督的局部对比损失。
Contrastive Learning based Hybrid Networks for Long-Tailed Image Classification（2022.5.12）
weixin_53495618的博客
05-12 1122
（一）解决的问题： 数据的长尾分布，导致对样本分类时对多数类的偏向，使得训练出有偏分类器。 （二）动机： 提出了一种新的混合网络，包括监督对比损失学习图像特征和交叉熵损失分类器，以实现长尾图像分类。 （三）步骤： 先对输入的图像通过Backbone（比如Resnet），得到一些图像的特征分布。 上面的结构主要对特征分布进行对比学习，正样本拉近、负样本原理的操作；下面的结构是一个分类器，主要对形成的特征空间进行分类。 α会随着训练的进行逐渐减小，这样做是很合理的，因为前期的话模型会注重
[医学小样本分割]Self-supervision with Superpixels: Few-shot Medical Image Segmentation without Annotation
qq_38932073的博客
04-19 4634
基于超像素的自监督:训练无注释的Few-Shot医学图像分割 论文地址 开源代码 摘要 Few-Shot语义分割(FSS)在医学影像领域具有广阔的应用前景。大多数现有的FSS技术都需要大量的注释语义类来进行训练。但由于缺乏标注，这些方法可能不适用于医学图像。为了解决这一问题，我们做出了以下几点贡献：(1)提出了一种新的自监督医学图像FSS框架，消除了训练过程中对标注的要求，生成基于超像素的伪标签进行监督；(2)将自适应局部原型池化模块插入原型网络，解决医学图像分割中常见的前景-背景不平衡问题；(3)我们证明
[论文笔记]Pseudo-label Guided Contrastive Learning for Semi-supervised Medical Image Segmentation
qq_42854305的博客
07-16 632
尽管最近半监督学习(semi-supervised learning, semi- l)在自然图像分割方面取得了显著的成功，但在医学图像中，从有限的注释中学习判别表示的任务一直是一个悬而未决的问题。对比学习(CL)框架使用相似性度量的概念，这对分类问题很有用，然而，它们无法将这些质量表示转换为精确的像素级分割。为此，我们提出了一种新的基于半监督补丁的医学图像分割CL框架，而不使用任何明确的借口任务。我们利用CL和SemiSL的强大功能，其中从SemiSL生成的伪标签通过提供额外的指导来帮助CL，而在。
Contrastive Learning
05-18
Contrastive learning is a type of unsupervised learning that aims to learn useful representations from unlabeled data by maximizing the similarity between similar examples and minimizing the similarity between dissimilar examples. In other words, contrastive learning tries to find a way to represent data in a way that makes similar examples more similar and dissimilar examples less similar. The basic idea is to learn a representation function that maps inputs to a feature space where similar examples are mapped close together and dissimilar examples are far apart. This is typically done by training a neural network to predict whether two augmented versions of the same image or text passage are similar or dissimilar. The network is trained using a contrastive loss function that encourages similar examples to have similar embeddings and dissimilar examples to have different embeddings. Contrastive learning has recently gained a lot of attention in the field of computer vision and natural language processing, and has been shown to be effective for a wide range of tasks, including image and text classification, object detection, and recommendation systems.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值