![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文精读
文章平均质量分 95
Fun_Rock
这个作者很懒,什么都没留下…
展开
-
M3AE: Multimodal Representation Learning for Brain Tumor Segmentation with Missing Modalities论文讲解
这篇论文题目是:M3AE:缺失模态下脑肿瘤分割的多模态表征学习。论文地址:PDF下载。代码地址:GitHub。这篇论文介绍了一种多模态磁共振成像(MRI)的新框架,用于在大脑肿瘤细分区域分析中补充信息。它特别指出了使用四种常见的MRI模态对脑肿瘤进行自动分割的方法,这些方法已经取得了显著的成效。然而,实践中常常会有一个或多个模态由于图像损坏、伪影、采集协议、对比剂过敏或仅仅是成本问题而缺失。为了应对这一挑战,作者提出了一个包含两个阶段的框架来处理缺失模态的脑肿瘤分割。原创 2024-03-28 21:34:34 · 847 阅读 · 0 评论 -
SemiFL: Semi-Supervised Federated Learning for Unlabeled Clients with Alternate Training论文讲解
这篇论文是《SemiFL:通过替代训练为未标记客户提供半监督联邦学习》,作者是杜克大学的刁恩茂、瓦希德·塔罗克 和明尼苏达大学双城分校的丁杰。现有的大多数联邦学习研究都集中在假设客户端拥有真实标签的监督学习任务上。但在许多实际情况下,客户端不是专家,无法标注他们的数据。例如,一个医疗系统可能有一个拥有领域专家和有限数量标签数据的中心节点(“服务器”),而有很多非专家和大量未标注数据的客户端。这个图展示了具有标记数据的服务器可以通过与具有未标记数据的分布式客户端一起工作而无需数据共享来显着提高其学习性能。原创 2024-03-16 22:02:11 · 909 阅读 · 0 评论 -
CD2-pFed:Cyclic Distillation-guided Channel Decoupling for Model Personalization in Federated Lear论文
在本文中,我们提出了 CD2-pFed,一种新颖的循环蒸馏引导的通道解耦框架,用于在各种数据异质性设置下个性化 FL 中的全局模型。与之前建立分层个性化以克服不同客户端之间的非独立同分布数据的工作不同,我们首次尝试逐通道分配模型个性化,称为通道解耦。为了进一步促进私有权重和共享权重之间的协作,我们提出了一种新颖的循环蒸馏方案,以在联邦期间在局部和全局模型表示之间施加一致的正则化。在循环蒸馏的指导下,我们的通道解耦框架可以针对不同类型的异质性(例如特征倾斜、标签分布倾斜和概念转移)提供更准确和更通用的结果。原创 2023-11-26 16:04:13 · 789 阅读 · 0 评论