qq_43656233的博客

半监督语义分割方法是缓解语义分割中标注消耗高问题的主要解决方案。然而，类不平衡问题使得模型偏向于训练样本充足的头类，导致尾类的性能较差。为了解决这个问题，我们提出了一种基于师生模型的解耦半监督语义分割（DeS4DeS^4DeS4）框架。具体来说，我们首先提出了一种解耦训练策略将编码器和分段解码器的训练分开，以实现平衡解码器。然后，提出了一种基于不可学习原型的分割头来正则化类别表示分布一致性，并在教师模型和学生模型之间进行更好的连接。此外，提出了一种多熵采样（MES）策略。

最近，对比学习在医学图像分割中显示出巨大的潜力。然而，由于缺乏专家注释，在半监督场景中应用对比学习具有挑战性。为了解决这个问题，我们提出了一种新颖的用于半监督医学图像分割的不确定性引导像素对比学习方法。具体来说，我们为每个未标记图像构建不确定性图，然后去除不确定性图中的不确定性区域以减少噪声采样的可能性。不确定性图是由精心设计的一致性学习机制确定的，该机制通过鼓励两个不同解码器的一致网络输出来生成对未标记数据的全面预测。此外，我们建议图像编码器学习的有效全局表示应该与不同的几何变换等效。

半监督语义分割的关键是为未标记图像的像素分配足够的伪标签。常见的做法是选择高度置信的预测作为伪真实值，但这会导致大多数像素由于不可靠而可能未被使用的问题。我们认为每个像素对模型训练都很重要，即使它的预测是模糊的。直观上，不可靠的预测可能会在顶级类别（即具有最高概率的类别）之间混淆，但是，它应该对不属于其余类别的像素充满信心。因此，这样的像素可以令人信服地被视为那些最不可能的类别的负样本。基于这一见解，我们开发了一个有效的管道来充分利用未标记的数据。具体来说，我们通过预测熵分离可靠和不可靠的像素。

Papers with SSL4MIS

深度回归是众多应用中的一个重要问题。这些范围从计算机视觉任务（例如根据照片估计年龄）到医疗任务（例如根据超声心动图估计射血分数以进行疾病跟踪）。然而，与分类和分割任务相比，深度回归的半监督方法尚未得到充分探索。与依赖阈值函数生成类伪标签的分类任务不同，回归任务直接使用实数目标预测作为伪标签，使得它们对预测质量更加敏感。在这项工作中，我们提出了一种半监督回归的新方法，即不确定性一致变分模型集成（UCVME），它通过为异方差回归生成高质量的伪标签和不确定性估计来改进训练。

尽管最近半监督学习（SemiSL）方面的工作在自然图像分割方面取得了巨大的成功，但从有限的注释中学习判别性表示的任务一直是医学图像中的一个悬而未决的问题。对比学习（CL）框架使用相似性度量的概念，这对于分类问题很有用，但是它们无法将这些质量表征转移到精确的像素级分割。为此，我们提出了一种新颖的基于半监督补丁的 CL 框架，用于医学图像分割，而不使用任何显式的借口任务。我们利用 CL 和 SemiSL 的强大功能，其中 SemiSL 生成的伪标签通过提供额外的指导来帮助 CL，

我们研究半监督学习问题，使用少量标记数据和大量未标记数据来训练网络，通过开发跨补丁密集对比学习框架来分割组织病理学图像中的细胞核。这项任务的动机是为组织病理学图像分割任务收集标记数据的昂贵负担。我们方法的关键思想是对齐教师和学生网络的特征，从块级和像素级的交叉图像中采样，以增强特征的类内紧凑性和类间可分离性，正如我们所展示的那样，这是有帮助的用于从未标记的数据中提取有价值的知识。我们还设计了一种新颖的优化框架，结合了一致性正则化和熵最小化技术，在消除梯度消失方面表现出良好的性能。

这项工作提出了一种半监督语义分割的新方法。这种方法的关键要素是我们的对比学习模块，它强制分割网络为整个数据集中的同类样本产生相似的像素级特征表示。为了实现这一目标，我们维护一个，该不断更新来自标记数据的相关且高质量的特征向量。在端到端训练中，标记和未标记数据的特征都被优化为与Memory Bank中的同类样本相似。我们的方法不仅优于当前半监督语义分割的最新技术，而且还优于众所周知的公共基准的半监督域适应，在最具挑战性的场景（即可用标记数据较少）上有更大的改进。代码可在获取。