Improved Classification Based on Deep Belief Networks
Northwestern University(西北大学)
为了更好地分类,生成模型用于在训练分类器之前初始化模型和模型特征。通常需要解决单独的无监督和监督学习问题。生成限制玻尔兹曼机和深度信念网络被广泛用于无监督学习。为了改进这种两阶段策略,我们开发了几种基于DBN的监督模型。修改损失函数,以考虑到相对于底层生成模型的期望,引入权重界限,和多级编程应用在模型开发。所提出的模型有效地捕获了无监督和有监督的目标。计算研究验证了我们的模型比两阶段训练方法更好。
2019-08-12 cs.LG stat.ML
Inverting Variational Autoencoders for Improved Generative Accuracy
使用深度生成模型的半监督学习的最新进展已经显示出从小标记数据集($\mathbf{x},\mathbf{y}$)推广到大未标记数据集($\mathbf{x}$)的希望。在共域具有已知结构的情况下,大的无特征数据集($\mathbf{y}$)是潜在可用的。我们开发了一个参数高效的深度半监督生成模型,以利用这个未开发的数据源。实证结果表明,在解开潜在变量的语义,以及改进的火星光谱和手写数字域的歧视性预测的性能提高。
2017-08-24 cs.LG stat.ML
On Data-Dependent Random Features for Improved Generalization in Supervised Learning
Harvard University(哈佛大学)
随机化特征方法已成功地应用于大规模核近似和监督学习。从中提取随机特征的分布影响有效执行学习任务所需的特征数量。最近,它已被证明,采用数据相关的随机化提高了所需数量的随机特征方面的性能。在本文中,我们关注的是监督学习中的随机特征方法,以获得良好的泛化能力。我们提出了基于能量的探索随机特征(EERF)算法的基础上,数据依赖的得分函数,探索可能的功能集,并利用有前途的地区。我们证明了所提出的得分函数具有很高的概率恢复的频谱内的模型类的最佳拟合。我们在几个基准数据集上的实证结果进一步验证了我们的方法与最先进的方法相比,需要更少数量的随机特征来实现一定的泛化误差,同时引入可忽略不计的预处理开销。EERF可以用几行代码实现,不需要额外的调优参数。
2017-12-19 cs.LG stat.ML
GraphMix: Improved Training of GNNs for Semi-Supervised Learning
Mila - Québec Artificial Intelligence Institute(魁北克人工智能研究所(Mila));Université de Montréal(蒙特利尔大学);Aalto University(阿尔托大学);MIT(麻省理工学院);HEC, Montréal(蒙特利尔高等商学院)
我们提出了GraphMix,一种用于基于图神经网络的半监督对象分类的正则化方法,由此我们提出通过参数共享和基于插值的正则化与图神经网络一起训练全连接网络。此外,我们提供了一个理论分析,说明GraphMix如何提高底层图神经网络的泛化边界,而不对“聚合”层或图神经网络的深度做任何假设。我们通过将GraphMix应用于各种架构(如图卷积网络、图注意力网络和Graph-U-Net)来实验验证这一分析。尽管它很简单,但我们证明了GraphMix可以使用更简单的架构(如图卷积网络)持续改进或接近最先进的性能,跨越三个已建立的图形基准:Cora,Citeseer和Pubmed引文网络数据集,以及三个新提出的数据集:Cora-Full,Co-author-CS和Co-author-Physics。
2020-10-08 cs.LG stat.ML
Leveraging Structure for Improved Classification of Grouped Biased Data
我们考虑半监督二进制分类,用于数据点自然分组的应用(例如,按州分组的调查响应)并且标记的数据是有偏差的(例如,调查对象不代表人口)。这些组在特征空间中重叠,因此输入-输出模式在组之间是相关的。为了对这些数据的固有结构进行建模,我们假设在组不可知的特征空间中定义的分组投影类条件不变性。我们证明,在这种假设下,该组携带额外的信息类,在组不可知的功能,可证明改善ROC曲线下的面积。进一步假设分区投影类条件分布在标记和未标记的数据的不变性,我们推导出一个半监督算法,显式地利用结构来学习一个最佳的,组感知的,概率校准的分类器,尽管在标记的数据的偏见。合成和真实数据上的实验证明了我们的算法在合适的基线和烧蚀模型上的有效性,跨越标准的监督和半监督学习方法,直接将组作为一个特征。
2022-12-07 cs.LG stat.ML
An MBO scheme for clustering and semi-supervised clustering of signed networks
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);Queen Mary University of London(伦敦玛丽女王大学);Delft University of Technology(代尔夫特理工大学)
我们介绍了一个原则性的方法,签署的聚类问题,其目标是分区的边权重采取正值和负值的图,这样,在同一个集群内的边缘大多是积极的,而跨集群的边缘大多是负面的。我们的方法依赖于一个基于图形的扩散界面模型制定利用金斯堡-朗道功能,基于经典的数值梅里曼-本斯-奥舍(MBO)计划的适应,以尽量减少这种基于图形的泛函。提出的目标函数旨在最小化簇间正加权边的总权重,同时最大化簇间负加权边的总权重。我们的方法可以扩展到大型稀疏网络,并且可以很容易地调整以包含标记的数据信息,就像半监督学习中经常出现的情况一样。我们在一些合成随机块模型和真实世界的数据集(包括金融相关矩阵)上测试了我们的方法,并获得了与最近文献中的一些最先进的方法相媲美的有希望的结果。
2019-10-09 cs.LG cs.SI stat.ML
MGCN: Semi-supervised Classification in Multi-layer Graphs with Graph Convolutional Networks
Sharif University of Technology(谢里夫理工大学)
图嵌入是实现节点分类、链接预测等图分析任务的重要方法。图嵌入的目标是找到保留图信息的图节点的低维表示。最近的方法,如图卷积网络(GCN),试图考虑节点属性(如果可用),除了节点关系和学习节点嵌入的无监督和半监督的任务图。另一方面,多层图分析最近受到关注。然而,现有的多层图嵌入方法不能包含所有可用的信息(如节点属性)。此外,他们中的大多数考虑节点或边的类型,他们不处理层内和层间的边缘不同。在本文中,我们提出了一种称为MGCN的方法,利用GCN的多层图。MGCN使用层内和层间关系和节点属性嵌入多层图的节点。我们在半监督节点分类任务上评估我们的方法。实验结果表明,该方法的优越性,其他多层和单层的竞争对手,也显示了积极的效果,使用跨层的边缘。
2019-08-24 cs.LG stat.ML
Semi-Supervised Node Classification on Graphs: Markov Random Fields vs. Graph Neural Networks
Duke University(杜克大学)
图结构数据的半监督节点分类在欺诈检测、虚假账号和评论检测、社交网络中用户的私有属性推断以及社区发现等方面有着广泛的应用。各种方法,如成对马尔可夫随机场(pMRF)和图神经网络开发的半监督节点分类。pMRF比图神经网络更有效。然而,现有的基于pMRF的方法不如图神经网络准确,这是由于它们假设所有边缘的基于几何学的恒定边缘势的关键限制。在这项工作中,我们的目标是解决现有的基于pMRF的方法的关键限制。特别是,我们建议学习边缘电位pMRF。我们对各种类型的图数据集的评估结果表明,我们优化的pMRF为基础的方法始终优于现有的图神经网络的准确性和效率。我们的研究结果强调,以前的工作可能低估了半监督节点分类的pMRF的力量。
2020-12-25 cs.LG
End-To-End Graph-based Deep Semi-Supervised Learning
Shanghai Jiao Tong University(上海交通大学)
图的质量是由图的三个关键因素:节点、边和相似性度量(或边权值)共同决定的,并且对于基于图的半监督学习(SSL)方法的成功至关重要。近年来,动态图(Dynamic Graph)在基于图的半监督学习中被证明是一种很有前途的学习方法。然而,现有的方法只更新三个因素的一部分,并保持在学习阶段手动指定的其余部分。在本文中,我们提出了一种新的基于图的半监督学习方法,以端到端的学习方式同时优化所有三个因素。为此,我们将两个神经网络(特征网络和相似性网络)连接在一起,分别学习分类标签和语义相似性,并训练网络以最小化统一的SSL目标函数。我们还引入了一个扩展的图拉普拉斯正则化项来提高训练效率。在多个基准数据集上的实验证明了该方法的有效性。
2020-02-23 cs.LG stat.ML
Graph Context Encoder: Graph Feature Inpainting for Graph Generation and Self-supervised Pretraining
AnotherBrain
我们提出了图上下文编码器(GCE),一个简单而有效的方法,图表示学习的基础上图特征掩蔽和重建。GCE模型被训练成有效地重建输入图,类似于图自动编码器,其中节点和边缘标签被掩蔽。特别是,我们的模型还允许通过掩蔽和重建由随机伪边增强的图来改变图结构。我们表明,GCE可用于新的图形生成,与分子生成的应用程序。作为一种预训练方法,我们还表明,GCE提高了在多个标准基准图数据集上测试的监督分类任务的基线性能。
2021-06-18 cs.LG
Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis
Stanford University(斯坦福大学)
从脑电图(EEG)中自动检测和分类癫痫发作可以大大提高癫痫发作的诊断和治疗。然而,在先前的自动化癫痫发作检测和分类研究中,几个建模挑战仍未解决:(1)在EEG中表示非欧几里德数据结构,(2)准确分类罕见癫痫发作类型,以及(3)缺乏定量可解释性方法来测量模型定位癫痫发作的能力。在这项研究中,我们通过以下方式解决这些挑战:(1)使用图形神经网络(GNN)表示EEG中的时空依赖性,并提出两种捕获电极几何形状或动态大脑连接的EEG图形结构,(2)提出一种自我监督的预训练方法,预测下一时间段的预处理信号,以进一步提高模型性能,特别是在罕见的癫痫发作类型上,以及(3)提出一种定量模型可解释性方法来评估模型在EEG中定位癫痫发作的能力。当在大型公共数据集上评估我们的癫痫发作检测和分类方法时,我们发现我们的自监督预训练GNN在癫痫发作检测上达到了0.875的接收器工作特征曲线下的面积,在癫痫发作分类上达到了0.749的加权F1分数,优于以前的癫痫发作检测和分类方法。此外,我们的自我监督预训练策略显着改善了罕见癫痫发作类型的分类。此外,定量可解释性分析表明,我们的具有自我监督预训练的GNN精确定位了25.4%的局灶性癫痫发作,比现有的CNN提高了21.9个百分点。最后,通过将识别的癫痫发作位置叠加在原始EEG信号和EEG图上,我们的方法可以为临床医生提供局部癫痫发作区域的直观可视化。
2022-03-13 cs.AI cs.LG eess.SP
Finding Heterophilic Neighbors via Confidence-based Subgraph Matching for Semi-supervised Node Classification
Seoul National University(首尔国立大学);Korea Institute of Energy Technology(韩国能源技术研究院)
本文提出一种两阶段算法,通过基于置信度比率的子图匹配识别并利用异配邻居的边系数,改进GNN标签传播机制,以缓解过度平滑并提升半监督节点分类性能。
2023-04-12 cs.LG cs.SI
Few Edges Are Enough: Few-Shot Network Attack Detection with Graph Neural Networks
Université Paris-Saclay(巴黎-萨克雷大学);CNRS(法国国家科学研究中心);LISN(巴黎南部高等师范学院、巴黎第十一大学、法国国家科学研究中心、巴黎-萨克雷大学联合实验室);Iriguard(Iriguard公司);Isep(伊赛普高等电子与数字学院);Sorbonne Université(索邦大学)
本文提出FEAE架构,结合自监督和少样本学习,利用少量标签攻击边区分误报异常与真实攻击,在两个网络数据集上取得优异性能。
2025-01-28 cs.CR cs.LG
Improved Supervised Training of Physics-Guided Deep Learning Image Reconstruction with Multi-Masking
University of Minnesota(明尼苏达大学)
通过算法展开的物理引导的深度学习(PG-DL)对于改进的图像重建(包括MRI应用)已经引起了极大的兴趣。这些方法将迭代优化算法展开为一系列正则化单元和数据一致性单元。展开的网络通常使用监督方法进行端到端训练。当前的监督PG-DL方法在其数据一致性单元中使用所有可用的子采样测量。因此,网络学习拟合其余的测量值。在这项研究中,我们建议通过回顾性地选择数据一致性单元的所有可用测量的子集,利用随机性来提高监督训练的性能和鲁棒性。在训练过程中使用不同的随机掩码重复该过程多次,以进一步增强。膝关节MRI的结果表明,所提出的多掩模监督PG-DL提高重建性能相比,传统的监督PG-DL方法。
2020-10-26 cs.CV cs.LG eess.IV
Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning
University of Minnesota(明尼苏达大学);Center for Magnetic Resonance Research(磁共振研究中心)
功能性磁共振成像(fMRI)通常用于解释整个大脑的神经活动。许多加速功能磁共振成像技术的目的是提供更好的时空分辨率。其中,同步多切片(SMS)成像已成为一种强大的策略,成为大规模研究的一部分,如人类连接组项目。然而,当SMS成像与平面内加速相结合以获得更高的加速率时,传统的SMS重建方法可能遭受噪声放大和其他伪影。最近,深度学习(DL)技术在改善MRI重建方面引起了人们的兴趣。然而,这些方法通常以监督的方式训练,这需要完全采样的参考数据,这在高加速的fMRI采集中是不可行的。不需要完全采样数据的自监督学习最近被提出,并显示出与监督学习相似的性能。然而,它只适用于面内加速度。此外,DL重建对后续fMRI分析的影响仍不清楚。在这项工作中,我们将自监督DL重建扩展到SMS成像。我们的研究结果表明,前瞻性的10倍加速的7T fMRI数据的自我监督DL减少重建噪声和抑制残留的伪影。随后的功能磁共振成像分析仍然没有改变DL处理,而改善的时间信噪比产生更高的一致性估计之间的任务运行。
2021-05-10 cs.CV cs.LG eess.IV
Supervised Contrastive Learning and Feature Fusion for Improved Kinship Verification
Ecole Nationale Supérieure d’Informatique Algiers(阿尔及尔国立高等计算机学院)
人脸亲属关系验证是确定两张人脸图像之间的亲属关系程度的任务。它最近在法医学,社交媒体和人口统计学研究的各种应用中获得了很大的兴趣。在过去的十年中,基于深度学习的方法已经成为解决这个问题的一个有前途的解决方案,实现了最先进的性能。在本文中,我们提出了一种新的方法来解决亲属关系验证,通过使用监督对比学习,训练模型,以最大限度地提高相关个体之间的相似性,并最小化它之间的无关个体。我们的实验显示了最先进的结果,并在野生家族(FIW)数据集中达到了81.1%的准确率。
2023-02-19 cs.CV eess.IV
Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction
Department of Electrical \& Computer Engineering, University of Minnesota, MN, USA Center for Magnetic Resonance Research, University of Minnesota, MN, USA
针对高加速倍率下自监督MRI重建易出现伪影的问题,提出结合稀疏域扰动预测一致性项的物理驱动深度学习训练策略,在fastMRI数据集上效果优于现有自监督方法。
2025-05-30 cs.AI cs.CV cs.LG
Self-Supervised Learning for Improved Synthetic Aperture Sonar Target Recognition
Naval Surface Warfare Center(海军水面作战中心)
本研究提出将自监督学习应用于合成孔径声纳图像目标识别,通过评估MoCov2和BYOL算法,发现在少样本场景下SSL优于全监督模型,为减少数据标注成本提供了可行替代方案。
2023-07-27 cs.CV cs.LG eess.IV
Improved Multi-Shot Diffusion-Weighted MRI with Zero-Shot Self-Supervised Learning Reconstruction
Athinoula A. Martinos Center for Biomedical Imaging(阿瑟诺拉·A·马蒂诺斯生物医学成像中心);Harvard Medical School(哈佛医学院);University of São Paulo(圣保罗大学);Technische Universität München(慕尼黑工业大学);Harvard-MIT Health Sciences and Technology(哈佛-麻省理工健康科学与技术部)
本文提出zero-MIRID方法,通过零样本自监督学习和CNN去噪器联合重建多激发EPI数据,在体内实验中优于现有并行成像方法,改善了扩散MRI的分辨率和伪影问题。
2023-09-22 cs.LG eess.IV
Incorporating Improved Sinusoidal Threshold-based Semi-supervised Method and Diffusion Models for Osteoporosis Diagnosis
sichuan university(四川大学)
本文提出融合扩散模型生成无标注数据与Sinusoidal Threshold Decay阈值机制的半监督方法,在749张牙科全景图像上实现80.10%准确率的骨质疏松自动诊断。
2024-03-11 cs.CV eess.IV
Self-Supervised CSF Inpainting with Synthetic Atrophy for Improved Accuracy Validation of Cortical Surface Analyses
Vanderbilt University(范德堡大学)
由于缺乏真实数据,皮质厚度测量的准确性验证是一个困难的问题。为了解决这一需求,已经开发了许多方法来通过可变形配准在MRI中综合诱导灰质(GM)萎缩,从而创建具有已知皮质厚度变化的一组图像。然而,这些方法通常会导致萎缩区域的模糊,并且不能模拟深部脑沟内的真实萎缩,其中脑脊液(CSF)被遮蔽或缺失。在本文中,我们提出了一种解决方案,使用自监督修复模型在这些区域中生成CSF,并创建具有更合理的GM/CSF边界的图像。具体来说,我们引入了一种新的三维GAN模型,该模型结合了基于补丁的辍学训练,边缘图先验和正弦位置编码,所有这些都是以前仅限于2D域的方法。我们表明,我们的框架显着提高了生成的合成图像的质量,并且通过微调可以适应看不见的数据。我们还表明,我们得到的数据集可以用于皮层分割和厚度测量的准确性验证。
2023-03-10 cs.CV cs.LG eess.IV
Dimensionality Reduction via Diffusion Map Improved with Supervised Linear Projection
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在进行分类任务时,原始高维特征往往包含冗余信息,导致计算复杂度增加和过拟合。在本文中,我们假设数据样本位于一个单一的底层光滑流形,并定义类内和类间的相似性,使用成对的局部核距离。我们的目标是找到一个线性投影,以最大化类内相似性,并同时最小化类间相似性,使投影的低维数据具有基于标签信息的优化的成对距离,这更适合于扩散映射做进一步的降维。在几个基准数据集上的数值实验表明,我们提出的方法能够提取低维区分特征,可以帮助我们实现更高的分类精度。
2020-08-08 cs.CV cs.LG eess.IV
Improved monocular depth prediction using distance transform over pre-semantic contours with self-supervised neural networks
U2IS, ENSTA, Institut Polytechnique de Paris(U2IS、ENSTA、巴黎理工学院)
本文提出利用距离变换增强预语义轮廓空间信息,提升低纹理区域的深度预测性能,通过自监督神经网络联合估计预语义轮廓、深度和自体运动,实验表明在多个数据集上优于现有方法。
2026-05-08 cs.CV eess.IV
Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction
Hyperfine Research(Hyperfine研究院);Yale University(耶鲁大学);New York University(纽约大学)
虽然能够加速采集和提高重建精度,但当前的深度MRI重建网络通常是受监督的,需要完全采样的数据,并且限于笛卡尔采样模式。这些因素限制了它们的实际应用,因为全采样MRI在临床上采集非常耗时。此外,非笛卡尔采样模式特别理想,因为它们更容易受到加速度的影响,并且显示出更好的运动鲁棒性。为此,我们提出了一个完全自我监督的方法,加速非笛卡尔MRI重建,利用自我监督在k空间和图像域。在训练中,欠采样数据被分成不相交的k空间域分区。对于k-空间自监督,我们训练一个网络来重建输入欠采样数据从不相交的分区和从本身。对于图像级的自我监督,我们强制从原始欠采样数据和两个分区获得的外观一致性。在我们模拟的多线圈非笛卡尔MRI数据集上的实验结果表明,DDSS可以生成接近完全监督重建精度的高质量重建,优于以前的基线方法。最后,DDSS被证明可以扩展到在便携式低场(0.064 T)MRI扫描仪上采集的极具挑战性的真实世界临床MRI重建,没有数据可用于监督训练,同时证明与传统重建相比,图像质量有所改善,如放射科医生研究所确定的。
2023-02-18 cs.CV cs.LG eess.IV
Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps
Vector Institute(向量研究所);McMaster University(麦克马斯特大学)
我们开发和接近无监督语义医学图像分割,扩展了以前的工作与生成对抗网络。我们使用现有的边缘检测方法来构建简单的边缘图,训练生成模型将其转换为合成医学图像,并使用提取的边缘图上的变化构建具有已知分割的合成图像的数据集。然后使用该合成数据集来训练监督图像分割模型。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上测试了我们的方法。我们证明了我们的无监督方法比以前的无监督方法更准确,并且与监督图像分割模型相比表现合理。所有代码和训练模型都可以在https://github.com/kiretd/Unsupervised-MIseg上找到。
2019-11-12 cs.AI cs.CV cs.LG
PISCO: Self-Supervised k-Space Regularization for Improved Neural Implicit k-Space Representations of Dynamic MRI
Helmholtz Munich(亥姆霍兹慕尼黑中心);Technical University of Munich(慕尼黑工业大学);Klinikum rechts der Isar(右岸医院(慕尼黑工业大学附属));Imperial College London(帝国理工学院);Pontificia Universidad Católica de Chile(智利天主教大学);King’s College London(伦敦国王学院)
针对动态MRI中神经隐式k空间表征(NIK)因训练数据不足导致过拟合、性能下降的问题,提出基于并行成像自一致性的自监督k空间损失函数PISCO,无需额外数据即可正则化NIK,在高加速因子下重建质量优于现有方法,具备广泛应用潜力。
2025-01-16 cs.CV cs.LG eess.IV
Self-Supervised Physics-Guided Deep Learning Reconstruction For High-Resolution 3D LGE CMR
University of Minnesota(明尼苏达大学);Center for Magnetic Resonance Research, University of Minnesota(明尼苏达大学磁共振研究中心);Beth Israel Deaconess Medical Center, Harvard Medical School(哈佛医学院贝斯以色列女执事医疗中心)
心脏MRI(CMR)晚期钆增强(LGE)是诊断心肌瘢痕的临床标准。与2D成像相比,3D各向同性LGE CMR提供了更好的覆盖范围和分辨率。然而,由于扫描时间长和对比度洗脱,需要图像加速。物理引导的深度学习(PG-DL)方法最近已经成为一种改进的加速MRI策略。PG-DL方法的训练通常以监督方式执行,需要完全采样的数据作为参考,这在3D LGE CMR中具有挑战性。最近,提出了一种自监督学习方法,可以在没有完全采样数据的情况下训练PG-DL技术。在这项工作中,我们将这种自监督学习方法扩展到3D成像,同时解决与3D体积的小训练数据库大小相关的挑战。前瞻性加速3D LGE的结果和读者研究表明,在6倍加速时提出的方法优于在3倍加速时临床使用的压缩感知方法。
2020-11-18 cs.CV cs.LG eess.IV
Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation
National Yang Ming Chiao Tung University(阳明交通大学);National Cheng Kung University Hospital(国立成功大学医学院附设医院);National Cheng Kung University(国立成功大学)
本研究建立一种特征增强对抗性半监督语义分割模型,用于自动标注CT肺血管造影(CTPA)图像中的肺栓塞病变区域。在目前的研究中,所有的PE CTPA图像分割方法都是通过监督学习来训练的。然而,当CTPA图像来自不同医院时,需要重新训练监督学习模型并且需要重新标记图像。本研究提出一种半监督学习方法,借由加入少量未标记影像,使模型适用于不同的资料集。通过使用标记图像和未标记图像训练模型,可以提高未标记图像的准确性,并降低标记成本。我们的半监督分割模型包括一个分割网络和一个神经网络。我们将从分割网络的编码器生成的特征信息添加到网络中,以便它可以学习预测掩码和地面真实掩码之间的相似性。这种基于HRNet的架构可以为卷积操作保持更高的分辨率,因此可以改善对小PE病变区域的预测。我们使用标记的开源数据集和未标记的国立成功大学医院(NCKUH)(IRB编号:B-ER-108-380)数据集来训练半监督学习模型,在NCKUH数据集上得到的平均交集(mIOU),骰子得分和灵敏度分别达到0.3510,0.4854和0.4253。然后,我们使用来自中国医科大学医院(CMUH)(IRB编号:CMUH 110-REC 3 -173)数据集的少量未标记PE CTPA图像对模型进行微调和测试。将我们的半监督模型的结果与监督模型的结果进行比较,mIOU、骰子得分和灵敏度分别从0.2344、0.3325和0.3151…
2022-04-08 cs.AI cs.CV eess.IV