- 博客(2)
- 收藏
- 关注
RSS订阅原创 论文阅读：Missing Modality Robustness in Semi-Supervised Multi-Modal Semantic Segmentation
使用多个空间模态已被证明有助于提升语义分割性能。(a) 提高标签效率；(b) 在测试时模态缺失的现实场景下增强模型的鲁棒性。为应对这些挑战，我们首先提出了一种简单而高效的多模态融合机制——线性融合该机制即使在有限监督下，其性能也优于当前最先进的多模态模型。用于掩码模态学习的多模态教师(Multi-modal Teacher for Masked Modality Learning)，这是一个半监督框架。该框架不仅提升了多模态性能，还利用未标记数据使模型对现实中的模态缺失场景具有鲁棒性。
2025-06-19 21:27:44
1191
1
原创 论文阅读：Towards Generic Semi-Supervised Framework for Volumetric Medical Image Segmentation
对三维医学图像进行体素级标注是一项耗时且需要专业知识的任务。因此，当前越来越多的研究开始关注利用半监督学习（SSL）技术，在有限标注数据的条件下训练模型。然而，实际应用中的挑战远不止于 SSL，还包括无监督领域自适应（UDA）和半监督领域泛化（SemiDG）等设置。本研究旨在构建一个通用的 SSL 框架，能够同时适应这三种场景。我们发现现有 SSL 框架在实现这一目标时面临两个主要障碍：**1）难以有效提取分布无关特征；
2025-06-13 20:44:29
1014
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人