FootprintNet: State-Transition-Guided Dynamic Footprint Learning for Multi-temporal Remote Sensing Change Detection
Beihang University(北京航空航天大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
针对现有多时相遥感变化检测方法难以表征反复变化区域的局限,提出UBDD并构建FootprintNet,结合状态转换约束与边界线索学习动态变化轨迹,引入BCDS评估,在多数据集上优于SOTA方法。
2026-07-31 cs.CV
Hidden Footprints: Learning Contextual Walkability from 3D Human Trails
Cornell Tech(康奈尔科技学院)
预测人们可以在场景中行走的位置对于许多任务都很重要,包括自动驾驶系统和人类行为分析。然而,由于语义模糊和缺乏标记数据,为此目的学习计算模型是具有挑战性的:当前的数据集只告诉你人们在哪里,而不是他们可能在哪里。我们通过利用现有数据集的信息来解决这个问题,而不需要额外的标签。我们首先通过在图像之间传播人的观察来增加有效的、标记的可步行区域的集合,利用3D信息来创建我们所谓的隐藏足迹。然而,这种增强的数据仍然稀疏。我们设计了一个训练策略,设计这样的稀疏标签,结合类平衡的分类损失与上下文对抗损失。使用这种策略,我们展示了一个模型,学习从单个图像预测步行地图。我们在Waymo和Cityscapes数据集上评估了我们的模型,与基线和最先进的模型相比,表现出卓越的性能。
2020-08-19 cs.CV
Automated ACL Footprint Identification Using 3D Deep Learning
本研究开发两种三维深度学习模型,从三维MR图像识别ACL股骨足迹,基于图像的模型平均误差2.1mm优于基于网格的2.8mm,为ACL重建提供可行临床方法。
2026-08-24 cs.CV
MaskBEV: Joint Object Detection and Footprint Completion for Bird's-eye View 3D Point Clouds
Université Laval(拉瓦尔大学);Northern Robotics Laboratory(北方机器人实验室)
本文提出MaskBEV,一种基于鸟瞰图掩码的LiDAR点云目标检测架构,将检测问题转化为纯分类问题,并在单次前向传播中联合完成目标检测与足迹补全,在SemanticKITTI和KITTI数据集上验证了性能。
2023-08-01 cs.CV
MTBF-33: A multi-temporal building footprint dataset for 33 counties in the United States (1900-2015)
University of Colorado Boulder(科罗拉多大学博尔德分校);Cooperative Institute for Research in Environmental Sciences (CIRES)(环境科学合作研究所(CIRES));Institute of Behavioral Science(行为科学研究所)
尽管当代人居空间分布数据丰富,但在精细的时空粒度上研究人居长期演变的历史数据却非常缺乏,限制了我们对建成区长期变化的定量理解。这是因为通常使用的映射方法(例如,图像分类)和合适的数据源(即,航空图像、多光谱遥感数据、激光雷达)只是在最近几十年才可用。但是,也有其他数据来源,如数字化的地籍记录,其中包含建筑物年龄信息等相关信息,可以对过去的建筑物分布进行近似的数字重建。我们对美国行政机构的开放和公开数据资源进行了非详尽的搜索,并收集、整合和协调了33个县的地籍地块数据、税收评估数据和建筑物足迹数据,其中包括建筑物足迹几何形状和建筑物施工年份信息。这项工作的结果是一个独特的数据集,我们称之为美国33个县的多时间建筑足迹数据集(MTBF-33)。MTBF-33包含超过620万个建筑物足迹(包括其建造年份),可用于以精细的空间和时间粒度对1900年至2015年的建成区进行追溯,并可用于数据验证目的,或用于训练统计学习方法,旨在从遥感数据、历史地图、或类似的数据源。MTBF-33可从http://doi.org/10.17632/w33vbvjtdy获得。
2022-03-21 cs.CV physics.soc-ph
Impact of canny edge detection preprocessing on performance of machine learning models for Parkinson's disease classification
Gdansk University of Technology(格但斯克工业大学)
本研究评估Canny边缘检测预处理对帕金森病分类ML模型的影响,发现该预处理降低多数模型性能,但随机森林内存稳定,逻辑回归等模型表现稳健。
2026-09-09 cs.CV cs.LG
Radiologist-level stroke classification on non-contrast CT scans with Deep U-Net
Sberbank AI Lab(俄罗斯联邦储蓄银行人工智能实验室);New York University(纽约大学)
缺血性脑卒中和颅内出血在CT上的分割对于脑卒中的研究和治疗至关重要。在本文中,我们修改了U-Net CNN架构的中风识别问题,使用非对比CT。我们将建议的DL模型应用于历史患者数据,并进行了涉及10名经验丰富的放射科医生的临床实验。我们的模型在历史数据上取得了很好的结果,并且在10名放射科医生中有7名的表现明显优于其他3名。
2020-03-31 cs.CV eess.IV
A Resource-Efficient Hybrid CNN-LSTM network for image-based bean leaf disease classification
University of York(约克大学)
本文提出一种轻量级混合CNN-LSTM网络,用于豆类叶病分类,实现94.38%的准确率,内存占用仅为1.86MB,并通过系统评估图像增强策略,验证了定制化变换在保持诊断模式完整性方面的有效性。
2026-04-15 cs.CV
Multi-Label Image Classification with Contrastive Learning
Faculty of Information Technology(信息技术学院);Monash University(莫纳什大学)
近年来,对比学习作为一种学习潜在表征的有效方法,在各个领域都得到了广泛的应用。主动学习在单标签分类中的成功促使我们利用这种学习框架来增强多标签图像分类的独特性,以获得更好的性能。在本文中,我们表明,直接应用对比学习很难提高在多标签的情况下。因此,我们提出了一个新的框架,多标签分类与对比学习在一个完全监督的设置,学习不同的标签的背景下的图像的多个表示。这使得我们的模型能够简单而直观地适应对比学习,以提高其在多标签图像分类中的性能。在两个基准数据集上的大量实验表明,与先进的多标签分类方法相比,所提出的框架实现了最先进的性能。
2021-07-24 cs.CV
Contrastive Centroid Supervision Alleviates Domain Shift in Medical Image Classification
Baidu Inc(百度公司)
基于深度学习的医学成像分类模型通常会遇到域偏移问题,当训练数据和真实世界数据在成像设备制造商、图像采集协议、患者人群等方面存在差异时,分类性能会下降。该方法通过在训练过程中对实例和类质心之间的对比度损失进行额外的监督,可以提高目标域分类性能。与现有的无监督领域自适应和领域泛化方法相比,FCCL方法性能更好,而且只需要单个源域的标记图像数据,不需要目标域。我们通过大量的实验验证,FCCL可以实现至少三种成像方式,即眼底照片,皮肤镜图像,H & E组织图像的优异性能。
2022-05-31 cs.CV
Less is More: Selective Reduction of CT Data for Self-Supervised Pre-Training of Deep Learning Models with Contrastive Learning Improves Downstream Classification Performance
Ulm University(乌尔姆大学);Ulm University Medical Center(乌尔姆大学医学中心)
本文针对医学图像相似性影响对比学习效果的问题,提出基于深度嵌入、信息论和哈希的选择性数据削减策略,通过减少冗余提升预训练质量和效率,在多个医学图像分类任务上显著提高AUC并加速预训练。
2024-10-18 cs.AI cs.CV eess.IV
Buildings Classification using Very High Resolution Satellite Imagery
Lebanese University(黎巴嫩大学);Islamic University of Lebanon(黎巴嫩伊斯兰大学);MINES ParisTech(巴黎高科矿业学院);National Center for Remote Sensing - CNRS(法国国家科学研究中心国家遥感中心)
利用卫星图像进行建筑物分类对于诸如损害评估、资源分配和人口估计等应用变得越来越重要。在这项工作中,我们的重点是建筑物损坏评估(BDA)和建筑物类型分类(BTC)的住宅和非住宅建筑。我们建议仅依赖RGB卫星图像,并遵循基于2阶段深度学习的方法,首先,使用语义分割模型提取建筑物的足迹,然后对裁剪后的图像进行分类。由于缺乏适当的数据集的住宅/非住宅建筑分类,我们引入了一个新的高分辨率卫星图像数据集。我们进行了大量的实验,以选择最佳的超参数,模型架构和训练范式,我们提出了一种新的基于迁移学习的方法,优于经典方法。最后,我们在两个应用程序上验证了所提出的方法,这些应用程序显示出出色的准确性和F1得分指标。
2021-11-29 cs.CV
Contrastive Learning based Hybrid Networks for Long-Tailed Image Classification
University of Wollongong(卧龙岗大学);University of Bristol(布里斯托尔大学);Nanjing University of Science and Technology(南京理工大学);Northwestern Polytechnical University(西北工业大学)
学习有区别的图像表示在长尾图像分类中起着至关重要的作用,因为它可以简化不平衡情况下的分类器学习。鉴于对比学习最近在表示学习中表现出的良好性能,在这项工作中,我们探索了有效的监督对比学习策略,并对其进行了调整,以从不平衡数据中学习更好的图像表示,从而提高分类精度。具体来说,我们提出了一种新的混合网络结构,由监督对比损失学习图像表示和交叉熵损失学习分类器组成,其中学习从特征学习逐步过渡到分类器学习,以体现更好的特征使分类器更好的想法。我们探索了特征学习的对比度损失的两种变体,它们的形式各不相同,但有一个共同的想法,即在归一化嵌入空间中将同一类的样本拉到一起,并将不同类的样本分开。其中之一是最近提出的监督对比(SC)损失,它是在最先进的无监督对比损失之上设计的,通过合并来自同一类的阳性样本。另一种是原型监督对比(PSC)学习策略,它解决了标准SC损失中的密集内存消耗,从而在有限的内存预算下显示出更多的希望。在三个长尾分类数据集上的大量实验证明了所提出的基于对比学习的混合网络在长尾分类中的优势。
2021-03-26 cs.CV
Histopathology Image Classification using Deep Manifold Contrastive Learning
Korea University(高丽大学)
针对对比学习中余弦距离在非线性特征流形上表示数据点距离的局限性,提出利用测地距离作为相似性度量的深度流形对比学习方法,并结合基于测地距离的特征聚类降低计算开销,在组织病理学全切片图像分类任务上优于现有方法。
2023-06-26 cs.CV
Using Contrastive Learning and Pseudolabels to learn representations for Retail Product Image Classification
Paralleldots, Inc.(Paralleldots公司)
零售产品图像分类问题通常是Few Shot分类问题,因为零售产品类别不能像猫、狗或树那样在图像之间具有变化类型。以前的工作已经显示了不同的方法来微调卷积神经网络,以实现更好的分类精度在这样的数据集。在这项工作中,我们试图解决问题的陈述:我们能否预训练一个卷积神经网络骨干,产生足够好的零售产品图像表示,以便在这些表示上训练一个简单的逻辑回归给我们好的分类器?我们使用对比学习和基于伪标签的噪声学生训练来学习表示,以获得准确性,从而微调零售产品图像分类的整个Convnet主干。
2021-10-07 cs.CV cs.LG
Deep Neural Network Compression for Image Classification and Object Detection
Volvo Technology AB(沃尔沃技术公司);Halmstad University(哈尔姆斯塔德大学)
神经网络因计算成本高而臭名昭著。这主要是因为神经网络经常被过度参数化,并且随着它们变得越来越深和越来越宽,很可能具有冗余的节点或层。它们对硬件资源的需求限制了它们在嵌入式设备中的广泛使用,并限制了实时图像分类或目标检测等任务。在这项工作中,我们提出了一个网络无关的模型压缩方法注入了一种新的动态聚类方法,以减少计算成本和内存占用的深度神经网络。我们在五个不同的最先进的图像分类和目标检测网络上评估了我们的新压缩方法。在分类网络中,我们修剪了大约95%的网络参数。在高级检测网络(如YOLOv3)中,我们提出的压缩方法设法将模型参数减少了59.70%,从而在不牺牲准确性的情况下减少了110倍的内存。
2019-10-07 cs.CV
A Robust and Low Complexity Deep Learning Model for Remote Sensing Image Classification
HCMC University of Technology(胡志明市理工大学);Austrian Institute of Technology(奥地利技术研究所);Pintel ltd.(Pintel有限公司)
在本文中,我们提出了一个强大的和低复杂度的深度学习模型,用于遥感图像分类(RSIC),识别遥感图像的场景的任务。特别是,我们首先评估了不同的低复杂度和基准深度神经网络:MobileNetV 1,MobileNetV 2,NASNetMobile和EfficientNetB 0,它们的可训练参数数量低于500万(M)。在指出最佳网络架构后,我们通过将注意力方案应用于从网络中间层提取的多个特征图来进一步提高网络性能。为了解决使用注意方案时增加模型占用空间的问题,我们应用量化技术来满足最大20 MB内存占用。通过在基准数据集NWPU-RESISC 45上进行广泛的实验,我们实现了一个鲁棒且低复杂度的模型,该模型与最先进的系统相比非常具有竞争力,并且具有在边缘设备上实际应用的潜力。
2022-12-12 cs.CV cs.LG eess.IV
Cross-View-Prediction: Exploring Contrastive Feature for Hyperspectral Image Classification
Soochow University(苏州大学);Imperial College London(帝国理工学院);Zhejiang University(浙江大学)
针对高光谱图像分类,本文提出Cross-View-Prediction自监督方法,通过跨通道预测构建双视图并以对比学习优化互信息与条件熵,结合SVM达到无监督分类最先进性能。
2024-12-04 cs.CV
Boosting Few-Shot Classification with View-Learnable Contrastive Learning
University of Electronic Science and Technology of China(电子科技大学);Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));Pengcheng Lab(鹏城实验室)
Few-Shot分类的目标是在每个类别中使用很少的标记示例对新类别进行分类。目前,基于度量的元学习方法在处理Few-Shot分类问题上表现出了优异的性能。然而,在没有细粒度标签的嵌入空间中,以往的方法很难区分细粒度的子类别。这可能导致对细粒度子类别的概括不令人满意,从而影响模型解释。为了解决这个问题,我们将对比度损失引入到Few-Shot分类中,以学习嵌入空间中潜在的细粒度结构。此外,为了克服当前对比学习中使用的随机图像变换在产生噪声和不准确的图像对(即,视图),我们开发了一个学习到学习的算法来自动生成同一图像的不同视图。在标准少样本学习基准上的大量实验证明了我们方法的优越性。
2021-07-30 cs.CV
Hyperbolic Image-and-Pointcloud Contrastive Learning for 3D Classification
School of Software Engineering, Xi’an Jiaotong University(西安交通大学软件学院);Shaanxi Joint Key Laboratory for Artifact Intelligence(陕西省人工智能联合重点实验室)
针对欧氏空间中多模态对比学习难以探索模态内层级与跨模态语义相关性的问题,提出双曲图像与点云对比学习方法HyperIPC,通过模态内几何结构探索和跨模态图像引导建立语义层级,显著提升了3D分类与少样本分类性能。
2024-09-24 cs.CV
Spatial Contrastive Learning for Few-Shot Classification
Université Paris-Saclay(巴黎萨克雷大学);CentraleSupélec(巴黎中央理工-高等电力学院)
在本文中,我们探讨了对比学习的Few-Shot分类,在其中,我们建议使用它作为一个额外的辅助训练目标,作为一个数据依赖的正则化,以促进更一般和可转移的功能。特别是,我们提出了一种新的基于注意力的空间对比目标,以学习局部判别和类不可知的功能。因此,我们的方法克服了交叉熵损失的一些限制,例如对可见类的过度歧视,这降低了特征到不可见类的可转移性。通过大量的实验,我们表明,所提出的方法优于国家的最先进的方法,确认学习良好的和可转移的嵌入的重要性,少样本学习。
2021-06-20 cs.CV cs.LG
Contrast Enhancement or Noise Reduction? On Improving Cervical Cancer Classification
University of Trunodjoyo Madura(特鲁诺乔莫大学马都拉分校);District General Hospital (RSUD Syarifah Ambami Rato Ebu)(地区综合医院(RSUD Syarifah Ambami Rato Ebu))
本研究评估了PMD滤波器和CLAHE两种预处理算法对ResNet-34等三种CNN的巴氏涂片图像分类性能的影响,发现CLAHE提升效果更显著,为宫颈癌分类提供了新流程。
2026-10-09 cs.CV
Local Color Contrastive Descriptor for Image Classification
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Chinese University of Hong Kong(香港中文大学)
图像表示和分类是多媒体内容检索和理解的两个基本任务。形状和纹理信息(例如边缘或方向)是视觉表示的关键特征的想法在当前的多媒体和计算机视觉社区中根深蒂固并占主导地位。通过计算局部梯度,已经提出了许多低级特征(例如SIFT,LBP和HOG),并在许多多媒体应用中取得了巨大的成功。在本文中,我们提出了一个简单而有效的局部描述图像分类,称为局部颜色对比度描述符(LCCD),利用神经机制的颜色对比度。这个想法源于神经科学的观察,即颜色和形状信息在视觉皮层处理中密不可分。颜色对比度产生视觉颜色感知的关键信息,并提供颜色和形状之间的强烈联系。我们提出了一种新的对比机制来计算空间位置和多通道的颜色对比度。通过测量两个区域的颜色分布之间的\emph{f} -发散来计算颜色对比度。我们的描述符丰富了局部图像表示与颜色和对比度信息。我们通过实验验证了它可以很好地补偿基于形状的描述符(例如SIFT),同时保持计算简单。在图像分类上的大量实验结果表明,该描述子通过组合显著提高了SIFT的性能,并在三个具有挑战性的基准数据集上达到了最先进的性能。它将最近的深度学习模型(DeCAF)[1]在大规模SUN 397数据库中的准确率从40.94%提高到49.68%。将提供LCCD的代码。
2015-08-03 cs.CV
Toward Simple and Robust Contrastive Explanations for Image Classification by Leveraging Instance Similarity and Concept Relevance
Cognitive Systems, University of Bamberg(认知系统,巴姆贝格大学)
本研究提出一种基于概念的图像分类对比解释方法,通过实例嵌入相似性和微调模型中概念相关性提取并计算解释,发现高相关性产生更短、更不复杂的解释,且在图像增强下具有不同程度的鲁棒性。
2025-06-30 cs.CV
ExCon: Explanation-driven Supervised Contrastive Learning for Image Classification
University of Toronto(多伦多大学);LG AI Research(LG人工智能研究院)
对比学习已经导致用于诸如图像分类的任务的学习的嵌入表示的质量的实质性改进。然而,现有的对比增强方法的一个关键缺点是,它们可能会导致修改的图像内容,这可能会产生不希望的改变其语义。这可能会影响模型在下游任务上的性能。因此,在本文中,我们问我们是否可以增加图像数据在对比学习,这样的任务相关的语义内容的图像被保留。为此,我们建议利用基于显着性的解释方法来创建内容保持掩蔽增强对比学习。我们的新的解释驱动的监督对比学习(ExCon)方法严格地服务于鼓励附近的图像嵌入具有相似的内容和解释的双重目标。为了量化ExCon的影响,我们在CIFAR-100和Tiny ImageNet数据集上进行了实验。我们证明了ExCon在分类,解释质量,对抗鲁棒性以及分布偏移背景下的概率校准方面优于香草监督对比学习。
2022-04-18 cs.AI cs.CV cs.LG
FMiFood: Multi-modal Contrastive Learning for Food Image Classification
Elmore Family School of Electrical and Computer Engineering(埃尔莫尔家族电气与计算机工程学院);Purdue University(普渡大学)
本文提出多模态对比学习框架FMiFood,通过融合食物类别文本描述与图像信息并引入灵活匹配和GPT-4增强文本,在UPMC-101和VFN数据集上提升了食物图像分类性能。
2024-08-07 cs.CV
ProCo: Prototype-aware Contrastive Learning for Long-tailed Medical Image Classification
Xiaohe Healthcare, ByteDance(字节跳动小荷健康);The University of Hong Kong(香港大学)
医学图像分类在医学图像分析中得到了广泛的应用。然而,由于在医学领域的数据采集和标记的困难,医学图像数据集通常是高度不平衡的。为了解决这个问题,以前的作品利用类样本作为重新加权或重新采样的先验,但特征表示通常仍然不够有区别。在本文中,我们采用对比学习来解决长尾医疗不平衡问题。具体来说,我们首先提出类别原型和对抗原型实例来生成代表性对比对。然后,原型重校准策略,提出了解决高度不平衡的数据分布。最后,设计了一个统一的原型损失训练我们的框架。整体框架,即原型感知的对比学习(ProCo),以端到端的方式统一为单级流水线,以缓解医学图像分类中的不平衡问题,这也是一个明显的进步,因为它们遵循传统的两级流水线。在两个高度不平衡的医学图像分类数据集上进行的大量实验表明,我们的方法大大优于现有的最先进的方法。
2022-09-01 cs.CV
Fine-Grained Classification: Connecting Metadata via Cross-Contrastive Pre-Training
New York University(纽约大学)
本文提出通过跨对比预训练整合图像、文本与元数据的统一细粒度分类框架,在 NABirds 上以 84.44% top-1 准确率超过基线 7.83%,并优于强多模态方法。
2025-10-18 cs.CV cs.LG
Efficient No-Reference Quality Assessment and Classification Model for Contrast Distorted Images
École de technologie supérieure(高等技术学院);Synchromedia Laboratory for Multimedia Communication in Telepresence(远程呈现多媒体通信同步媒体实验室)
提出了一种基于Minkowski距离的无参考图像质量评价方法。结果表明,高阶的Minkowski距离和熵提供准确的质量预测的对比度失真的图像。所提出的度量进行预测,只提取三个功能,然后从失真的图像进行回归分析。此外,所提出的功能是能够分类类型的对比度失真的图像具有较高的精度。在CSIQ、TID 2013、CCID 2014和SIQAD四个数据集上的实验结果表明,该度量具有非常低的复杂度,比最先进的NR度量提供了更好的预测质量。建议度量的MATLAB源代码可在http://www.synchromedia.ca/system/files/MDM.zip上向公众提供。
2018-04-07 cs.CV
Semi-Supervised Dual-Threshold Contrastive Learning for Ultrasound Image Classification and Segmentation
College of Computer Science and Software Engineering, Shenzhen University, Shenzhen, China(深圳大学计算机科学与软件工程学院);Department of Thyroid and Breast Surgery, Affiliated Hospital Group of Guangdong Medical University Shenzhen Baoan Central Hospital, Shenzhen, China(广东医科大学深圳宝安中心医院甲状腺乳腺外科)
提出半监督双阈值对比学习策略Hermes,结合任务间注意力与一致性学习,解决超声图像分类与分割中的伪标签过拟合及任务关联问题,并在多个数据集上取得最优性能。
2025-08-04 cs.CV
PCM-SAR: Physics-Driven Contrastive Mutual Learning for SAR Classification
School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院)
针对现有对比学习SAR分类方法未捕捉SAR数据特性的问题,提出PCM-SAR,融合物理见解改进样本生成与特征提取,通过GLCM、语义检测及互学习增强模型性能,在多任务中优于SOTA。
2025-04-13 cs.CV cs.LG
Improving classification of road surface conditions via road area extraction and contrastive learning
University of Antwerp(安特卫普大学);imec(比利时微电子研究中心)
本研究通过分割模型提取路面区域并采用对比学习,在保持低计算成本的同时显著提升了路面状况分类性能,并在RTK数据集上验证了有效性。
2024-07-19 cs.CV
Contrastive Learning for View Classification of Echocardiograms
Ultromics Ltd.(奥特罗米克斯有限公司);Metalynx Ltd.(梅塔林克斯有限公司);Imperial College London(帝国理工学院);King’s College London(伦敦国王学院)
心脏超声图像的分析通常在常规临床实践中进行,用于量化心脏功能。其自动化程度的提高经常使用经过训练的深度学习网络来预测疾病或检测图像特征。然而,这些模型非常需要数据,并且训练需要由经验丰富的临床医生标记数千张图像。在这里,我们建议使用对比学习来缓解标签瓶颈。我们训练不平衡的心脏超声数据集的视图分类模型,并显示出最小标记数据可用的视图/类的改进性能。与原始基线模型相比,我们在这些视图中实现了高达26%的F1分数提高,同时保持了具有足够多标记训练观察值的视图的最新性能。
2021-08-06 cs.CV
Contrastive-Based Deep Embeddings for Label Noise-Resilient Histopathology Image Classification
Primaa;Institut Curie(居里研究所);PSL University(巴黎文理研究大学)
针对组织病理学图像分类中标签噪声导致模型性能下降的问题,研究发现自监督对比学习训练的病理学基础模型提取的嵌入具备标签噪声鲁棒性,效果优于非对比嵌入及常用抗噪方法,代码已开源。
2024-04-11 cs.AI cs.CV
Supervised Contrastive Vision Transformer for Breast Histopathological Image Classification
Old Dominion University(奥多明尼昂大学)
提出监督对比视觉Transformer(SupCon-ViT),结合预训练ViT与监督对比学习,在乳腺IDC分类中达到SOTA性能(F1=0.8188),并适用于少量标注数据的临床场景。
2024-04-18 cs.CV cs.LG
Few-Shot Image Classification via Contrastive Self-Supervised Learning
School of Information;Communications Xi’an Jiaotong University Xi'an, P.R. China
大多数以前的少样本学习算法都是基于元训练,使用假的Few-Shot任务作为训练样本,其中需要大的标记基类。训练模型也受到任务类型的限制。在本文中,我们提出了一个新的无监督少样本学习的范例来修复的不足。我们分两个阶段解决了Few-Shot任务:通过对比自监督学习对可转移特征提取器进行元训练,并使用图聚合、自蒸馏和流形增强训练分类器。一旦经过元训练,该模型就可以用于任何类型的任务,并进行任务相关的分类器训练。我们的方法在标准Few-Shot视觉分类数据集上的各种既定Few-Shot任务中实现了最先进的性能,与可用的无监督少样本学习方法相比,提高了8- 28%。
2020-08-23 cs.AI cs.CV
A Semi-Supervised Classification Method of Apicomplexan Parasites and Host Cell Using Contrastive Learning Strategy
Waseda University(早稻田大学)
医学成像的监督学习的一个常见缺陷是对人类注释的贪婪需求,这通常是昂贵且耗时的。针对3种顶复门寄生虫和未感染宿主细胞的显微图像,提出了一种半监督分类方法,该方法使用少量标记数据和大量未标记数据进行训练。在显微图像识别中存在两个挑战。首先,显微图像的显著结构比真实世界尺度上的自然图像更加模糊和复杂。第二个是不重要的纹理,如背景染色,亮度和对比度水平,在来自不同临床场景的样本中变化很大。为了应对这些挑战,我们的目标是通过对比学习策略来学习可区分的和外观不变的表示。一方面,宏观图像,具有相似的形状特征的形态,引入对比度的结构增强。另一方面,不同的外观变换,包括颜色失真和闪烁,被用来对比纹理消除。在只有1%的显微图像被标记的情况下,所提出的方法在广义测试集上达到了94.90%的准确率。
2021-04-14 cs.AI cs.CV
Interpretable Alzheimer's Disease Classification Via a Contrastive Diffusion Autoencoder
University College London(伦敦大学学院)
本研究提出基于对比扩散自编码器的方法,通过图像与潜在空间训练样本的相似性对阿尔茨海默病进行分类,在2D MRI数据上达到黑盒模型相当准确率并提供可解释性。
2023-10-25 cs.CV cs.LG