.png){kind=icon}
返回
Unlabeled data augmentation with diffusion model for semi-supervised object detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s00371-025-04103-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在医学目标检测领域，获取充足的高质量数据仍是一个关键挑战。为解决此问题，我们提出了一种基于扩散模型的数据增强方法DABDM（data augmentation based on diffusion model），这是一种半监督目标检测框架，利用扩散模型来增强医学图像数据集。我们的方法生成大量合成图像，用于半监督学习中的无监督训练阶段，从而减少对大量标注数据的依赖。实验结果表明，DABDM显著提升了医学目标检测模型的性能，展示了其通过提供解决数据稀疏问题的稳健方案来推动该领域的潜力。通过将生成的无标签训练数据整合到半监督框架中，我们观察到模型精度的显著提升。具体而言，实验显示在添加合成图像后，精度最高提升了6.92%。
Keyword:
Semi-supervised learning
Generative model
Object detection
Data scarcity
期刊
IF:
2.9
论文数:
4.6K
被引数:
6.5K
机构
引用论文
Self-aware and Cross-Sample Prototypical Learning for Semi-supervised Medical Image Segmentation
PREAI
分享收藏Multilevel Feature Score Learning for Few-Shot Open-Set Recognition of Hyperspectral Images多尺度特征评分学习用于高光谱图像的少样本开放集识别
PREAI
分享收藏Diffusionengine: Diffusion Model is Scalable Data Engine for Object DetectionDiffusionengine：扩散模型是可扩展的对象检测数据引擎.png)
OAAI
IF0
OAAI分享收藏
查看更多内容