半监督燃烧深度细分网络与对比学习和不确定性纠正
1Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
本研究介绍了SBCU-Net,这是一种新的半监督深度学习方法,用于准确的燃烧深度细分. 它通过使用对比学习和不确定性校正来提高性能,特别是在有限的标记燃烧数据下.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 计算机视觉 计算机视觉 计算机视觉
背景情况:
- 准确的烧伤深度诊断对于有效的治疗和患者的治疗结果至关重要.
- 基于图像的深度学习提供了自动燃烧深度细分,但受到有限的标记数据的阻碍.
- 现有的半监督方法由于单级扰动和不准确的伪标签等问题而扎着燃烧细分.
研究的目的:
- 开发一个先进的半监督网络,SBCU-Net,以改善燃烧深度细分.
- 解决传统深度学习和当前半监督方法在处理稀缺的燃烧数据方面的局限性.
- 为了提高细分精度,特别是在复杂的燃烧边缘区域.
主要方法:
- 提出SBCU-Net,一个半监督的网络,包含对比学习和不确定性纠正.
- 引入了多级扰动和两个额外的解码器分支,以提高一致性.
- 利用对比式学习来完善细分输出和改善特征表示.
- 实施了不确定性纠正机制,以减轻不准确的伪标签的影响.
主要成果:
- 与最先进的半监督方法相比,SBCU-Net在燃烧深度细分方面表现优越.
- 拟议的方法有效地利用未标记的数据来提高细分精度.
- 在细分复杂区域 (如烧伤边缘) 方面,特别注意到了改进.
结论:
- SBCU-Net为半监督的燃烧深度细分提供了强大的解决方案,克服了数据稀缺的挑战.
- 整合对比学习和不确定性校正显著提高了细分性能.
- 这种方法有望改善烧伤诊断的自动化和标准化.
