深度学习：论文self-trainsfer learning for weakly supervised lesion localization

最新推荐文章于 2024-07-27 11:43:27 发布
最新推荐文章于 2024-07-27 11:43:27 发布
阅读量288 收藏
点赞数
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/weixin_41108334/article/details/84501567
版权

self-training learning: 自我训练学习

weakly supervised ：弱监督学习

主要关注三种弱监督类型：

  • 第一种是不完全监督，即只有训练数据集的一个（通常很小的）子集有标签，其它数据则没有标签。
  • 第二种是不确切监督，即只有粗粒度的标签。又以图像分类任务为例。我们希望图片中的每个物体都被标注；然而我们只有图片级的标签而没有物体级的标签。
  • 第三种是不准确监督，即给定的标签并不总是真值。出现这种情况的原因有，标注者粗心或疲倦，或者一些图像本身就难以分类。

已知数据和其一一对应的弱标签，训练一个智能算法，将输入数据映射到一组更强的标签的过程。标签的强弱指的是标签蕴含的信息量的多少，比如相对于分割的标签来说，分类的标签就是弱标签，如果我们知道一幅图，告诉你图上有一只猪，然后需要你把猪在哪里，猪和背景的分界在哪里找出来，那么这就是一个已知弱标签，去学习强标签的弱监督学习问题
 

work_coder
关注
Self-Training with Weak Supervision
01-12 345
Self-Training with Weak Supervision 用弱监督自我训练 作者：Giannis Karamanolakis§ ∗ Subhabrata Mukherjee† Guoqing Zheng† Ahmed Hassan Awadallah 单位：哥伦比亚大学，微软研究院 Code: https://github.com/microsoft/ASTRA 摘要：最先进的深度神经网络需要大规模的标记训练数据，而获取这些数据通常很昂贵，或者对于许多任务来说是不可用的。以领域特.
（十九：2020.11.05）MICCAI 2020 追踪之论文纲要（译）＜中＞
Jojo论文基地
11-06 4033
讲在前面 此文章包含第三和第四篇博客。 论文目录 PART III 《Computer Aided Intervention, Ultrasound and Image Registration 计算机辅助干预，超声和图像配准》 计算机辅助干预 概要 1.Reconstructing Sinus Anatomy from Endoscopic Video – Towards a Radiation-Free Approach for Quantitative Longitudinal Ass
【论文阅读】Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation
rocking_struggling的博客
11-03 705
弱监督分割是一项比较有挑战性的任务，仅依赖于图像级标签的CAM方法不足以提供完整的监督。1.作者提出了AuxSegNet，利用显著性检测(saliency detection）和多标签分类辅助改进WSSS任务。2.作者提出一种从显著reprentation和分割reprentation中学习cross-task global pixel level affinity 的方法，affinity 为显著性检测和CAM提供伪标签以refine其结果。
目标定位--Deep Self-Taught Learning for Weakly Supervised Object Localization
AI小作坊 的博客
04-25 4793
Deep Self-Taught Learning for Weakly Supervised Object Localization CVPR 2017https://arxiv.org/abs/1704.05188什么是 Weakly Supervised Object Localization，refers to learning to localize objects within ima
论文解读《基于伪标签自训练的局部对比损失半监督医学图像分割》
weixin_37591159的博客
02-18 6757
论文解读《Local contrastive loss with pseudo-label based self-training for semi-supervised medical image segmentation》 发表期刊：NeurIPS2021（神经信息处理系统大会（NeurIPS），前称NIPS，是一个机器学习和计算神经科学相关的学术会议，每年12月举行。） 代码： 代码链接 论文：论文地址 分区： CCF-A 摘要： 基于监督深度学习的方法可以为医学图像分割提供精确的结果。然而，它们需要
深度学习发展前沿
m0_73916791的博客
12-20 976
深度学习模型的架构一直在不断演进和改进。最早的深度学习模型主要是基于全连接的前馈网络，如多层感知机（Multi-Layer Perceptron）和深度信念网络（Deep Belief Network）。随着研究的深入，人们逐渐发现卷积神经网络（Convolutional Neural Networks，CNN）在图像识别任务中的优势，其中最著名的就是AlexNet、VGGNet、GoogLeNet和ResNet。
深度学习：综述：医疗影像数据+CV数据集
热门推荐
weixin_41108334的博客
11-10 1万+
GitHub：https://github.com/albarqouni/Deep-Learning-for-Medical-Applications 医疗数据集：https://blog.csdn.net/Suii_v5/article/details/77920948?locationNum=10&fps=1 乳腺MG数据获取:https://blog.csdn.net/dcxhu...
（二十八：2021.01.10）MICCAI 2019 追踪之论文纲要（中）
Jojo论文基地
01-09 3322
讲在前面 暂时先更新PART I, 持续更新。 论文目录 PART I Optical Imaging（光学影像） 概要 1.Enhancing OCT Signal by Fusion of GANs: Improving Statistical Power of Glaucoma Clinical Trials通过GAN融合增强OCT信号：提高青光眼临床试验的统计能力 2.A Deep Reinforcement Learning Framework for Frame-by-Fr
（二十：2020.11.06）MICCAI 2020 追踪之论文纲要（译）＜下＞
Jojo论文基地
11-06 4123
讲在前面 此文章包含第五、第六和第七部分。 论文目录 PART V 《Biological, Optical and Microscopic Image Analysis 生物，光学和显微图像分析》 生物，光学，显微成像 概要 1.Channel Embedding for Informative Protein Identification from Highly Multiplexed Images通道嵌入用于从高度复用的图像中鉴定信息性蛋白质 2.Demixing Calcium
（三十 ：2021.01.11）MICCAI 2018 追踪之论文纲要（上）
Jojo论文基地
01-11 2860
讲在前面 这部分是PART I和PART II。 论文目录 PART I Image Quality and Artefacts（图像质量和伪影） 概要 1.Conditional Generative Adversarial Networks for Metal Artifact Reduction in CT Images of the Ear用于减少耳朵CT图像中的金属伪像的条件生成对抗网络 2.Neural Network Evolution Using Expedited G
深度学习的前沿主题：GANs、自监督学习和Transformer模型
最新发布
2202_76097976的博客
07-27 2399
深度学习的前沿技术包括生成对抗网络（GANs）、自监督学习和Transformer模型。GANs通过生成器和判别器的对抗训练生成高质量数据，自监督学习利用数据的内在结构在无标签数据上学习有效特征，Transformer模型则通过自注意力机制在自然语言处理和计算机视觉任务中表现出色。这些技术在图像生成、数据表示学习和文本分类等领域展现出巨大潜力，推动了AI的发展和创新。
深度学习前沿技术
gyy77的博客
12-04 863
1.经典卷积神经网络 初级：图像分类：MNIST数据集 CNN --> CIFAR-10 Lenet -> ImageNet（AlexNet、GoogLeNet、DenseNet、VGG、ResNet） LetNet：
【AI前沿】深度学习：技术、发展与前沿应用
屿小夏.的知识博客
07-10 1056
然而，由于计算能力和数据资源的限制，早期的神经网络模型相对简单，无法处理复杂的数据和任务。通过分析海量的医学数据，深度学习模型可以发现潜在的疾病标志物，优化药物研发流程，并为患者提供个性化的治疗方案。通过生成对抗网络（GAN）和自动编码器等技术，深度学习可以生成高质量的图像、音乐和视频，丰富了内容创作的形式。每一层的输出作为下一层的输入，通过层层传递，网络可以学习到数据的复杂特征。通过对生产过程中产生的数据进行分析，深度学习模型可以实时监控产品质量，预测设备故障，优化生产流程，提高生产效率和产品质量。
深度学习技术前沿：探索与挑战
aguyuc1的博客
11-23 1538
通过不断深入研究和技术创新，我们有理由相信深度学习将在未来发展中发挥更加重要的作用，并为我们的生活带来更多便利与进步。通过卷积神经网络，深度学习模型能够学习和提取图像中的特征，并在图像分类、目标检测、图像分割等任务中展现出卓越性能。提高深度学习模型的泛化能力，使其能够适应各种场景和数据分布，是一个亟待解决的问题。通过设计更有效的算法和利用迁移学习等技术，深度学习模型将能够在少量数据上实现良好的性能。：未来的研究将更加注重深度学习模型的可解释性，通过揭示模型内部的工作机制，增强人们对模型决策的信任感。
深度学习前沿技术摘要
weixin_43966900的博客
12-02 2633
目前的深度学习主要分为以下几个领域： 图像领域（CV） representative task 图像分类 目标检测，目标跟踪，动作检测 实例分割 超分辨率（去马赛克） 去雾去雪 3D重建 风格迁移 OCR（光学字符识别） 自然语言处理（NLP） 文本分类 文本标签 实体抽取 句法依存 语义消歧 情感分析 机器翻译 自然语言理解（NLU） 观点分析 意图提取/识别 智能对话 生成任务 多模态（multimodal） 其他：语音识别（AVR） 针对这些领域以及其子任务，在深度学习蓬勃发展的前30几年（1987-
深度学习领域目前仍有哪些值得追踪的前沿研究？
深度学习与计算机视觉
05-03 1801
来源：https://www.zhihu.com/question/385326992编辑：深度学习与计算机视觉声明：仅做学术分享，侵删作者：Zhanxing Zhuhttps://ww...
最前沿的深度学习论文、架构及资源分享
lqfarmer的博客
02-16 1439
深度卷积神经网络在图像、语音及NLP领域取得了巨大的成功，从学习和分享的角度出发，本篇文章整理了自2013年以来关于CNN相关的最新的资源，包括重要的论文、书籍、视频教程、Tutorial、理论、模型库和开发库。文末附链接版资源地址。重要的论文：1. Very deep convolutional networks for large-scale image recognition (VGG-ne...
深度学习之 14 深度学习前沿与局限
水w的博客
08-22 1632
深度学习前沿与局限
54页PPT讲解DeepMind深度学习及前沿进展【附下载】
机器学习算法与Python学习
09-29 1265
Deep Learning Indaba 2018 大会在南非斯泰伦博斯举行，由DeepMind主办。本文是由15位专家做的《深度学习: AI革命及其前沿进展》的报告。下...
railroad is not a train: saliency as pseudo-pixel supervision for weakly supervised semantic segmentation
04-11
这篇论文的主要内容是介绍了一种新的弱监督语义分割方法，即使用伪像素监督训练模型。其中，论文拿“railroad is not a train”的例子说明了弱监督下的语义分割问题，给出了具体的解决方法，并取得了较好的效果。
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