亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本項研究針對深度傳感系統獲取的場景深度圖像分辨率低和細節丟失等問題，突破現有基于彩色指導的場景深度復原方法的局限性，即在訓練及測試階段同時需要高分辨率彩色圖像和降質深度圖像作為網絡輸入來估計高質量深度圖像（在實際測試環境中，同視角的高分辨率彩色輔助信息并不容易獲得）。首次提出基于跨任務場景結構知識遷移的單一場景深度圖像超分辨率方法，在訓練階段從彩色圖像蒸餾出場景結構信息來輔助提升深度復原性能，而測試階段僅提供單張降質深度圖像作為輸入即可實現深度圖像重建。該算法框架同時構造了深度估計任務（彩色圖像為輸入估計深度信息）及深度復原任務（低質量深度為輸入估計高質量深度），并提出了基于師生角色交換的跨任務知識蒸餾策略以及不確定度引導的結構正則化學習來實現雙邊知識遷移，通過協同訓練兩個任務來提升深度超分辨率任務的性能。在實際部署和測試中，所提出的方法具有模型輕量化，算法速度快等特點，且在缺少高分辨率彩色信息輔助的情況下仍可獲得優異的性能。

//faculty.dlut.edu.cn/yexinchen/zh_CN/zdylm/1123985/list/index.htm

圖神經網絡（GNN）已經成為圖表示學習的事實標準，它通過遞歸地聚集圖鄰域的信息來獲得有效的節點表示。盡管 GNN 可以從頭開始訓練，但近來一些研究表明：對 GNN 進行預訓練以學習可用于下游任務的可遷移知識能夠提升 SOTA 性能。但是，傳統的 GNN 預訓練方法遵循以下兩個步驟：

在大量未標注數據上進行預訓練； 在下游標注數據上進行模型微調。 由于這兩個步驟的優化目標不同，因此二者存在很大的差距。

在本文中，我們分析了預訓練和微調之間的差異，并為了緩解這種分歧，我們提出了一種用于GNNs的自監督預訓練策略L2P-GNN。方法的關鍵是L2P-GNN試圖以可轉移的先驗知識的形式學習如何在預訓練過程中進行微調。為了將局部信息和全局信息都編碼到先驗信息中，我們在節點級和圖級設計了一種雙重自適應機制。最后，我們對不同GNN模型的預訓練進行了系統的實證研究，使用了一個蛋白質數據集和一個文獻引用數據集進行了預訓練。實驗結果表明，L2P-GNN能夠學習有效且可轉移的先驗知識，為后續任務提供好的表示信息。我們在//github.com/rootlu/L2P-GNN公開了模型代碼，同時開源了一個大規模圖數據集，可用于GNN預訓練或圖分類等。

總體來說，本文的貢獻如下：

• 首次探索學習預訓練 GNNs，緩解了預訓練與微調目標之間的差異，并為預訓練 GNN 提供了新的研究思路。
• 針對節點與圖級表示，該研究提出完全自監督的 GNN 預訓練策略。
• 針對預訓練 GNN，該研究建立了一個新型大規模書目圖數據，并且在兩個不同領域的數據集上進行了大量實驗。實驗表明，該研究提出的方法顯著優于 SOTA 方法。

在本文中，我們提出了一種用于語義分割的無監督域自適應算法，該算法的目標是利用有標記的合成數據來分割無標記的真實數據。UDA語義分割的主要問題在于縮小真實圖像與合成圖像之間的域差距。為了解決這個問題，我們將重點放在將圖像中的信息分離為內容和樣式。在這里，只有內容具有進行語義分割的線索，而風格造成了領域差距。因此，即使在使用合成數據進行學習時，也可以將圖像中的內容和風格進行精確的分離，起到監督真實數據的作用。為了充分利用這種效果，我們提出采用零損失模式。盡管我們在實域上很好地提取了用于語義分割的內容，但在語義分類器中仍然存在類別不平衡的問題。我們通過將尾部類的內容從合成域轉移到實域來解決這個問題。實驗結果表明，該方法在兩種主要的神經網絡環境下都取得了最先進的語義分割性能。

目標檢測器通常在完全標注實例的監督學習情況下獲得很好的結果。但是，對于稀疏實例注釋，它們的性能遠遠不能令人滿意。現有的稀疏標注目標檢測方法主要是對難的負樣本的損失進行重加權，或者將未標注的實例轉換為忽略區域，以減少假陰性的干擾。我們認為這些策略是不夠的，因為它們最多可以減輕由于缺少注釋而造成的負面影響。在本文中，我們提出了一個簡單而有效的機制，稱為協同挖掘，稀疏標注的目標檢測。在協同挖掘中，一個連體網絡的兩個分支相互預測偽標簽集。為了增強多視圖學習和更好地挖掘未標記實例，將原始圖像和相應的增強圖像分別作為Siamese網絡的兩個分支的輸入。協同挖掘可以作為一種通用的訓練機制，應用于大多數現代目標檢測器。在三種不同稀疏注釋設置的MS COCO數據集上進行了實驗，使用兩種典型的框架:基于錨的檢測器RetinaNet和無錨檢測器FCOS。實驗結果表明，與RetinaNet的協同挖掘方法相比，在相同的稀疏標注設置下，相比于不同的基線，改進了1.4%~2.1%，超過了現有的方法。

//www.zhuanzhi.ai/paper/26fe94a8c64fbb5140619ab72ed036d1

基于深度學習的算法模型往往需要大量的標注數據，相對于自然場景圖像來說，醫學圖像更難獲取，且標注數據的成本和難度都更高。自監督學習能夠利用未標注的數據進行模型的預訓練，然后再利用有限的標注數據進行模型的微調（fine-tune）。一種自監督學習的變種模型“對比學習”，是一種高效的技術，能夠學習到圖像級別（image-level）的表征。本文提出的策略通過擴展對比學習框架在數據量較為局限（標注數據少）的醫學標注數據中，利用半監督學習進行三維醫學圖像分割。具體來說:①提出了一種全新的對比學習策略，通過利用三維醫學圖像（特定領域）的結構相似性；②設計了一種局部對比損失以學習獨特的局部特征表達，其在像素級圖像分割（特定問題）中性能提升顯著。作者應用該方法在三個醫學數據集上進行了實驗驗證，實驗設定使用較為有限的標注數據上進行訓練（限定訓練集的大小），與已提出的自監督和半監督學習方法相比，該方法對分割性能有大幅的提升。

題目： Embracing Imperfect Datasets:A Review of Deep Learning Solutions for Medical Image Segmentation

摘要： 醫學影像文獻在基于卷積神經網絡的高性能分割模型方面取得了顯著進展。盡管新的性能很高，最近的高級分割模型仍然需要海量的、典型的，高質量的帶有標簽的數據集。然而，我們很少有一個完美的訓練數據集，特別是在醫學圖像領域，因為獲取數據和打標簽都是昂貴的。近年來，大量的研究對不完全數據集的醫學圖像分割問題進行了研究，解決了兩大數據集的局限性:一是訓練有標簽的數據太少，只有有限的標簽數據可用;二是訓練數據只有稀疏標簽、噪聲標簽或圖像級標簽的軟標簽。在本文中，我們對上述解決方案進行了詳細的回顧，總結了技術創新和經驗結果。我們進一步比較涉及的方法的好處和要求，并提供我們推薦的解決方案。我們希望這篇綜述文章能提高公眾對處理不完善的醫學圖像分割數據集的技術的認識。