報告主題： Generative adversarial networks and adversarial methods in biomedical image analysis
報告摘要： 生成對抗網絡(GANs)是深度生成模型的一個強大的子類，目前不僅受到計算機視覺和機器學習社區的廣泛關注，而且還受到醫學成像社區的廣泛關注。GANs背后的關鍵思想是兩個神經網絡共同優化:一個網絡試圖合成與真實數據點相似的樣本，而另一個網絡評估結果與樣本參考數據庫的一致性。使用GANs進行樣本合成可能用于解決大型和不同的帶注釋數據庫的不足。此外，在對抗性博弈中優化的兩個網絡的概念被用來提供額外的損失項，以提高現有圖像分析方法的性能。對抗性方法已成功地應用于典型的醫學圖像分析中，如去噪、重建、分割和檢測。此外，對抗性訓練在半監督學習和異常檢測等領域也有新的應用。在本教程中，我們將在五個部分中提供關于GANs和醫學圖像分析中的對抗方法的基礎和高級材料。我們將著重于機器學習和計算機視覺文獻中最先進的核心論文，以及它們與醫學影像分析作品的關系。為了使這些概念具體化，我們將提供一些醫學成像應用的例子，這些應用都來自我們自己的工作和其他人的工作。
邀請嘉賓：
Anirban Mukhopadhyay，達姆施塔特工業大學（德國）
Jelmer Wolterink，阿姆斯特丹大學醫學中心（荷蘭）
Konstantinos Kamnitsas，帝國理工學院（英國）
Jelmer Wolterink，阿姆斯特丹大學醫學中心（荷蘭）
付費5元查看完整內容
相關內容
達姆施塔特工業大學（德語：Technische Universit?t Darmstadt），是德國歷史悠久的理工科技大學，位于黑森州達姆施塔特，以工程學，自然科學及建筑學等而聞名。是各邦聯州自德意志聯邦共和國誕生以來，第一個自主辦學的公立大學。自己實行財政預算和不動產管理，并獨立自由的聘請教授。德國九所卓越理工大學聯盟TU9成員之一，兩次入選德國大學卓越計劃（Exzellenzinitiative）。世界第一個電子工程系于1882年在達姆施塔特工業大學成立。
計算機科學，電氣工程，人工智能，機電一體化，商業信息學以及更多課程被德國達姆施塔特工業大學的德國科學學科引入。[5][6][7] 在密碼學，IT安全和軟件工程領域，達姆施塔特大學是歐洲領先的大學。 [8] 在人工智能，機器人技術，機器學習，計算機視覺和自然語言處理領域，它在歐洲大學中排名第二，在德國排名第一。[8]
達姆施塔特工業大學擁有德國技術大學中最多的高管。
生成式對抗網絡
·
【導讀】來自加州大學圣地亞哥分校《計算機視覺中的領域自適應》中生成式對抗網絡GAN介紹
付費5元查看完整內容
標題
對抗特征幻覺網絡的小樣本學習，Adversarial Feature Hallucination Networks for Few-Shot Learning
關鍵字
小樣本學習，神經網絡，生成對抗網絡，機器學習，人工智能
簡介
最近在各種任務中進行的深度學習蓬勃發展，在很大程度上已經獲得了豐富且可訪問的標記數據的認可。 盡管如此，對于許多實際應用而言，大量的監督仍然是奢侈的事情，這引起了人們對標簽稀缺技術的極大興趣，例如小樣本學習（FSL），旨在通過少量標簽樣本學習新類的概念。 FSL的自然方法是數據擴充，許多最近的工作通過提出各種數據綜合模型證明了其可行性。 但是，這些模型不能很好地確保合成數據的可分辨性和多樣性，因此經常會產生不良結果。 在本文中，我們提出了基于條件Wasserstein生成對抗網絡（cWGAN）的對抗特征幻覺網絡（AFHN），并幻化了以少量標記樣本為條件的各種和判別特征。 兩種新穎的正則化器，即分類正則器和反崩潰正則器，被合并到AFHN中以分別促進合成特征的可辨別性和多樣性。 消融研究驗證了所提出的基于cWGAN的特征幻覺框架和所提出的調節器的有效性。 在三個常見基準數據集上的比較結果證實了AFHN優于現有的基于數據增強的FSL方法和其他最新方法的優越性。
作者
Kai Li, Yulun Zhang, Kunpeng Li, Yun Fu，波士頓東北大學電氣與計算機工程系
付費5元查看完整內容
【導讀】因果性是人工智能中重要的研究課題，尤其是在醫療等一些高風險領域。來自帝國理工學院的Ben Glocker講述了醫療影像中「因果性」至關重要，涵蓋52頁ppt。作者指出，對于基于機器學習的圖像分析的成功至關重要的是，研究人員要能意識到并解釋他們的數據背后的因果關系。
Ben Glocker， 圖像機器學習的讀者，共同領導生物醫學圖像分析小組。我還是HeartFlow的醫學圖像分析顧問，并領導著倫敦的HeartFlow- imperial研究團隊。我是微軟研究院(Microsoft Research)的訪問研究員，并擔任凱龍醫療科技有限公司(Kheiron Medical Technologies)的科學顧問。
研究方向是醫學圖像分析與人工智能的交叉，目的是建立計算工具，提高基于圖像的疾病檢測與診斷。
//www.imperial.ac.uk/people/b.glocker
我們使用因果推理來闡明醫學成像的關鍵挑戰:1) 數據稀缺，即高質量注釋的有限可用性 2) 數據不匹配，即訓練有素的算法可能無法在臨床實踐中推廣。我們認為，圖像、注釋和數據收集過程之間的因果關系不僅會對預測模型的性能產生深遠的影響，甚至可能決定首先應該考慮哪種學習策略。例如，半監督可能不適合于圖像分割——這可能是我們在醫學圖像分析中因果關系考慮的一個令人驚訝的見解。我們的結論是，對于基于機器學習的圖像分析的成功至關重要的是，研究人員要能意識到并解釋他們的數據背后的因果關系。
付費5元查看完整內容
題目： Deep Learning for Biomedical Image Reconstruction: A Survey
摘要：
醫學影像是一種寶貴的醫學資源，因為它可以窺探人體內部，為科學家和醫生提供豐富的信息，這些信息對于理解、建模、診斷和治療疾病是必不可少的。重建算法需要將采集硬件收集的信號轉換成可解釋的圖像。考慮到問題的病態性和實際應用中缺乏精確的解析反變換，重構是一項具有挑戰性的任務。而最后幾十年目睹了令人印象深刻的進步的新形式,提高時間和空間分辨率,降低成本和更廣泛的適用性,幾個改進仍然可以設想,如減少采集和重建時間以減少病人的輻射和不適,同時增加診所吞吐量和重建精度。此外，在小功率手持設備中部署生物醫學成像需要在準確性和延遲之間取得良好的平衡。
付費5元查看完整內容
簡介： 生成對抗網絡（GANs）是最近的熱門研究主題。自2014年以來，人們對GAN進行了廣泛的研究，并且提出了許多算法。但是，很少有全面的研究來解釋不同GAN變體之間的聯系以及它們是如何演變的。在本文中，我們嘗試從算法，理論和應用的角度對各種GAN方法進行敘述。首先，詳細介紹了大多數GAN算法的動機，數學表示形式和結構。此外，GAN已與其他機器學習算法結合用于特定應用，例如半監督學習，遷移學習和強化學習。本文比較了這些GAN方法的共性和差異。其次，研究了與GAN相關的理論問題。第三，說明了GAN在圖像處理和計算機視覺，自然語言處理，音樂，語音和音頻，醫學領域以及數據科學中的典型應用。最后，指出了GAN未來的開放研究問題。
目錄：
付費5元查看完整內容
論文主題： Deep Learning for Image Super-resolution: A Survey
論文摘要： 圖像超分辨率（SR）是提高圖像分辨率的一類重要的圖像處理技術以及計算機視覺中的視頻。近年來，基于深度學習的圖像超分辨率研究取得了顯著進展技術。在這項調查中，我們旨在介紹利用深度學習的圖像超分辨率技術的最新進展系統的方法。一般來說，我們可以粗略地將現有的SR技術研究分為三大類：監督SR、非監督SR和領域特定SR。此外，我們還討論了一些其他重要問題，如公開可用的基準數據集和性能評估指標。最后，我們通過強調幾個未來來結束這項調查未來社區應進一步解決的方向和公開問題.
付費5元查看完整內容
主題： Graph-based Methods in Pattern Recognition and Document Image Analysis
簡介： 模式識別和文檔圖像分析中的許多任務被公式化為圖形匹配問題。盡管問題具有NP難性，但快速準確的收斂已在模式識別的廣泛應用中取得了重大進展。因此，學習基于圖的表示形式和相關技術是真正興趣。在本教程中，我們將介紹用于獲得不同應用程序的圖形表示的許多方法。之后，我們將解釋用于在圖域中識別，分類，檢測和許多其他任務的基于圖的不同算法，方法和技術。我們將介紹最近的趨勢，包括圖卷積網絡和圖中的消息傳遞，重點介紹在各種模式識別問題中的應用，例如化學分子分類和網絡圖形表示中的檢測。此外，除了這些算法在文檔圖像分析和識別（尤其是模式識別）領域的不同應用之外，還將提供相關經驗。
嘉賓介紹： DUTTA Anjan是位于巴塞羅那計算機視覺中心的P-SPHERE項目下的Marie-Curie博士后。他于2014年獲得巴塞羅那自治大學（UAB）的計算機科學博士學位。他是IJCV，IEEE TCYB，IEEE TNNLS，PR，PRL等期刊的定期審稿人，并經常擔任BMVC，ICPR，ACPR和ICFHR等各種科學會議的程序委員會委員。他最近的研究興趣圍繞視覺對象的基于圖形的表示和解決計算機視覺，模式識別和機器學習中各種任務的基于圖形的算法。
Luqman Muhammad Muzzamil博士是文檔圖像分析，模式識別和計算機視覺的研究科學家。自2015年11月以來，盧克曼目前在拉羅謝爾大學（法國）的L3i實驗室擔任研究工程師。Luqman曾在波爾多生物信息學中心（波爾多生物信息中心）擔任研究工程師，并在拉羅謝爾大學（法國）的L3i實驗室擔任Jean-Marc Ogier教授的博士后研究員。 Luqman擁有Fran?oisRabelais的圖爾大學（法國）和巴塞羅那的Autonoma大學（西班牙）的計算機科學博士學位。他的博士學位論文由Jean-Yves Ramel教授和Josep Llados教授共同指導。他的研究興趣包括結構模式識別，文檔圖像分析，基于相機的文檔分析和識別，圖形識別，機器學習，計算機視覺，增強現實和仿生學。
付費5元查看完整內容
Sufficient supervised information is crucial for any machine learning models to boost performance. However, labeling data is expensive and sometimes difficult to obtain. Active learning is an approach to acquire annotations for data from a human oracle by selecting informative samples with a high probability to enhance performance. In recent emerging studies, a generative adversarial network (GAN) has been integrated with active learning to generate good candidates to be presented to the oracle. In this paper, we propose a novel model that is able to obtain labels for data in a cheaper manner without the need to query an oracle. In the model, a novel reward for each sample is devised to measure the degree of uncertainty, which is obtained from a classifier trained with existing labeled data. This reward is used to guide a conditional GAN to generate informative samples with a higher probability for a certain label. With extensive evaluations, we have confirmed the effectiveness of the model, showing that the generated samples are capable of improving the classification performance in popular image classification tasks.
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191