Unsupervised Domain Adaptation in Brain Lesion Segmentation with Adversarial Networks
PulseAugur coverage of Unsupervised Domain Adaptation in Brain Lesion Segmentation with Adversarial Networks — every cluster mentioning Unsupervised Domain Adaptation in Brain Lesion Segmentation with Adversarial Networks across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新研究评估用于医学影像部署的无监督域适应流程
一项发表在arXiv上的新研究评估了医学影像中无监督域适应（UDA）的完整流程，重点关注在无法访问标记目标数据的情况下选择最佳模型的挑战。研究分析了在十一个临床场景、十种UDA算法和十三种无标签选择方法中训练的超过80,000个模型。研究结果表明，虽然能够适应的模型通常存在，但可靠地识别它们很困难，目前的选择方法存在显著的性能差距。集成和使用少量标记预算等策略可以缩小这种差距，但不能完全弥合，这表明改进模型选择步骤对于使UDA更接近临…
-
新研究解决了语义分割中的域泛化和校准问题
两篇新研究论文解决了语义分割中的挑战，语义分割是一项计算机视觉任务，涉及对图像中的每个像素进行分类。第一篇论文LASA提出了一个框架，通过使用语言和源特征来指导风格迁移和重新校准对象查询，以提高跨不同域的泛化能力。第二篇论文DA-Cal专注于增强语义分割模型的校准，确保预测置信度与准确性一致，这对于安全关键型应用至关重要。DA-Cal引入了一个元温度网络和双层优化来改进软伪标签和跨域校准。
-
新方法简化了医学影像中UDA算法的选择
研究人员开发了一种新颖的方法，用于为医学影像任务选择最佳的无监督域适应（UDA）算法及其超参数，即使在目标域标签不可用的情况下也是如此。该方法通过利用多个无标签选择信号来提名每种算法内的模型，从而构建一个“一致性参考”，然后聚合这些提名以创建参考预测。根据此参考对候选模型进行评分，并选择得分最高的模型进行部署。该技术已在各种脑部MRI和胸部X射线数据集上证明了其有效性，为UDA在临床应用中的更实际应用铺平了道路。
-
新研究解决域适应技术中的方差减少问题 · 跟踪到2个来源
两篇新研究论文提出了减少域适应技术中方差的方法。第一篇论文“使用配对采样进行方差减小的域适应”（PSDA）引入了一种随机方差减小（SVR）技术，该技术将域内和跨域的观测值配对，以最小化梯度方差。第二篇论文“流数据域适应的在线方差减小”提出了ARROW，一种专为流数据设计的自适应SVR算法，该算法维护移动平均参考并自适应地重新加权小批量。
-
AI模型预测激光和TIG工艺的焊接质量 · 跟踪5个来源
研究人员开发了用于预测激光和TIG焊接工艺中焊接质量的先进深度学习模型。其中一个模型利用多任务时空深度神经网络，根据焊缝图像预测熔深和形貌，实现了高精度。另一种方法侧重于无监督域自适应，使在一种焊接工艺上训练的模型能够在另一种工艺上表现良好，从而显著减少了大量的重新标记需求。第三种方法采用带有物理信息神经网络的自监督学习，使用最少的标记数据来预测激光焊接熔深，其性能与全监督方法相当。
-
新研究质疑AI域适应在6G网络中的能效
一篇新研究论文探讨了在6G无线网络背景下无监督域适应（UDA）的能效问题。该研究调查了UDA流程的复杂性（UDA在无需新标签的情况下将模型适应不断变化的数据分布）是否会导致比传统重新训练方法更高的能耗。研究旨在确定在考虑能耗和标注工作量的同时，UDA比重新训练更节能的最小目标域数量。