XiaoMi-AI文件搜索系统
World File Search SystemSupervised
极端监督实例细分
本文介绍了一种新颖的方法，可以使用极端点，即每个对象的最上方，最左侧，最左侧，bottommost和最右点进行学习。这些要点在现代边界框注释过程中很容易获得，同时为预分段提供了强大的线索，因此可以使用盒子监督的方法以相同的注释成本来提高性能。我们的工作将极端点视为真实实例掩盖的一部分，并传播它们以识别潜在的前面和背景点，它们全部用于训练伪标签生成器。然后，发电机给出的伪标签又用于监督我们的最终模型。在三个公共基准测试中，我们的方法大大优于现有的盒子监督方法，以完全监督的对应物进一步缩小了差距。尤其是，当目标对象分为多个部分时，我们的模型会生成高质量的掩码，而以前的盒子监督方法通常会失败。
用于脑部的监督 ML 应用分类模型...
脑是人体中的一个复杂器官。当脑肿瘤发生时，脑中会形成一系列异常的细胞，并且发生不受控制的细胞分裂（Logeswari and Karnan，2010）。这些异常的细胞会破坏健康细胞并影响大脑的总体活动。脑肿瘤分为良性肿瘤和恶性肿瘤。良性肿瘤生长缓慢，起源于脑部；它们被认为是非进行性或非癌性的。良性肿瘤不会扩散到体内的任何其他器官。相反，恶性肿瘤是进行性的和癌性的。它们以不确定的方式意外生长。原发性恶性肿瘤可以自行生长。此外，恶性肿瘤还可以在体内的其他器官中生长并扩散到大脑。MRI 是一种可以生成高质量人体解剖图像的成像技术。MRI 为医学诊断和研究提供了大量信息（Zhang et al.，2011）。 MRI 图像的自动化和准确分类极大地提高了 MRI 的诊断价值（Scapaticci 等，2012）。然而，单一类型的 MRI 无法提供包含许多不同组织的脑肿瘤的完整详细信息（Sudharani 等，2016）。不同加权图像相结合可以开发脑肿瘤的图像分割。三幅加权 MRI 图像（图 1 中的 T1、T2 和 FLAIR）用于在不同轴向切片上对颅骨进行图像分割（Vannier 等，1988；Clark 等，1994；Dou 等，2007）。作为最佳成像方法之一，研究人员使用 MRI 来分析脑肿瘤在检测和治疗阶段的进展。由于 MRI 产生高分辨率，因此脑结构信息（如脑组织异常）非常详细。因此，MRI 对医学图像的自动分析有显著影响（ Zacharaki 等人，2009 年；Litjens 等人，2017 年）。由于医学图像可以扫描并加载到计算机中，研究人员提出了不同的
单眼弱监督的单眼3D检测...
单眼3D检测（M3D）的目的是从单视图像中进行精确的3D观察定位，该图像通常涉及3D检测框的劳动密集型注释。最近已经研究了弱监督的M3D通过利用许多存在的2D注释来遵循3D注释过程，但通常需要额外的培训数据，例如LiDAR Point Clouds或多视图图像，这些数据会大大降低其在各种应用中的适用性和可用性。我们提出了SKD-WM3D，这是一个弱监督的单眼3D检测框架，利用深度插入以实现M3D，并具有单一视图图像，而无需任何3D注释或其他培训数据。SKD-WM3D中的一个关键设计是一个自我知识的蒸馏框架，它通过融合深度信息并有效地减轻单核场景中固有的深度模棱两可，从而将图像特征转换为3D类似的表示形式，而无需计算上的计算层面。此外，我们设计了不确定性感知的分离损失和梯度定位的转移调制策略，分别促进了知识获取和知识转移。广泛的实验表明，SKD-WM3D明显超过了最新的实验，甚至与许多完全监督的方法相当。
脑部 MRI 中的异常检测：从监督到……
人类大脑和中枢神经系统的解剖成像是当今诊断和治疗各种神经系统疾病的基本组成部分。为了将症状与神经系统病因联系起来，放射科医生会分析磁共振成像 (MRI) 等设备提供的高分辨率可视化图像，并尝试识别异常结构。这种手动过程不仅繁琐、耗时且成本高昂，而且容易出现人为错误：根据大量研究，多达 5-10% 的图像中仍未发现病变。最近，通过机器学习领域的进步（即所谓的监督式深度学习方法），在自动计算机辅助分析大脑 MRI 方面取得了突破，其表现与人类专家相当甚至更好。然而，这些方法需要付出代价：这种深度人工神经网络需要从大量经过仔细注释的良性和患病病例样本中进行训练，因此需要人工整理，因此需要宝贵的专家人力资源。此外，这些方法无法保证能够识别训练数据中不存在的病理。本论文中提出的研究重点是克服这些负担，并强调了从监督深度学习范式走向无注释、无监督方法的道路。这包括 i) 半监督概念，可以利用带注释和未标记的数据来提高基于深度学习的方法的泛化能力，以及 ii) 无监督异常检测框架，这些框架根本不需要手动标记病理。后者的贡献采用深度表示学习、生成建模和图像到图像转换技术来构建正常解剖模型，从而可以将脑 MRI 中的异常识别为分布异常值。这样，与监督方法相反，得到的模型不是病理特定的。进一步强调以高分辨率对健康大脑分布进行建模，以便能够检测和描绘特别小的脑病变。最终，结果表明，上述监督和非监督技术的融合产生了一种有效的自学框架，可用于脑损伤分割。该框架还概述了一种将基于深度学习的异常检测融入日常临床工作的潜在且廉价的方法。虽然这些概念已在脑部 MRI 上得到验证，但肯定可以转化为其他成像方式和解剖学部分（例如 CT、X 射线），为将深度学习融入放射学开辟了巨大的机会。
监督学习中的稀疏活动和稀疏连接
稀疏性是一种有用的正则化器，可用于各种应用，尤其是在神经网络中。本文提出了一种针对分类任务的模型，其中稀疏活动和稀疏连接用于增强分类能力。实现此目标的工具是稀疏性强制投影算子，它可以为任何给定向量找到具有预定义稀疏性的最接近向量。在本文的理论部分，开发了这种投影的综合理论。总而言之，结果表明投影几乎在任何地方都是可微的，因此可以实现为平滑的神经元传递函数。因此，可以使用基于梯度的方法端到端调整整个模型。在 MNIST 手写数字数据库上进行的实验表明，稀疏活动或稀疏连接可以提高分类性能。通过两者的结合，与传统的非稀疏方法相比，性能可以显著提高。关键词：监督学习、稀疏投影、稀疏活动、稀疏连接
envi机器学习教程：监督分类
要为监督分类器创建培训数据，必须使用光栅和相关的ROI提取标记的像素。您将使用Envi机器学习ML培训数据从ROIS任务来创建培训数据。此任务将从.xml文件中指定的ROI识别的栅格中提取所有标记的像素。将创建一个包含单一光谱的新栅格。训练栅格的尺寸为（行= 1，列=输入栅格列，bands =输入栅格频段 + 1）。附加频段将提供每个像素的数字值，此数字值代表每个像素的类标签值。