Deep Generative Models, and Data Augmentation, Labelling, and Imperfections / Engelhardt, Sandy ; Oksuz, Ilkay ; Zhu, Dajiang ; Yuan, Yixuan ; Mukhopadhyay, Anirban ; Heller, Nicholas ; Huang, Sharon Xiaolei ; Nguyen, Hien ; Sznitman, Raphael ; Xue, Yuan  

Público ISBD Ningún comentario para este registro. Título : Deep Generative Models, and Data Augmentation, Labelling, and Imperfections : First Workshop, DGM4MICCAI 2021, and First Workshop, DALI 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings Tipo de documento: documento electrónico Autores: Engelhardt, Sandy, ; Oksuz, Ilkay, ; Zhu, Dajiang, ; Yuan, Yixuan, ; Mukhopadhyay, Anirban, ; Heller, Nicholas, ; Huang, Sharon Xiaolei, ; Nguyen, Hien, ; Sznitman, Raphael, ; Xue, Yuan, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XV, 278 p. 104 ilustraciones, 82 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-88210-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de imágenes  Visión por computador  Inteligencia artificial  Bioinformática  Imágenes por computadora  visión  reconocimiento de patrones y gráficos  Biología Computacional y de Sistemas Índice Dewey: 6 Resumen: Este libro constituye las actas arbitradas del Primer Taller MICCAI sobre Modelos Generativos Profundos, DG4MICCAI 2021, y el Primer Taller MICCAI sobre Aumento, Etiquetado e Imperfecciones de Datos, DALI 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Los talleres fueron Estaba previsto que se llevara a cabo en Estrasburgo, Francia, pero se llevaron a cabo virtualmente debido a la pandemia de COVID-19. DG4MICCAI 2021 aceptó 12 artículos de las 17 presentaciones recibidas. El taller se centra en desarrollos algorítmicos recientes, nuevos resultados y direcciones futuras prometedoras en modelos generativos profundos. Los modelos generativos profundos, como Generative Adversarial Network (GAN) y Variational Auto-Encoder (VAE), están recibiendo actualmente una amplia atención no solo de las comunidades de visión por computadora y aprendizaje automático, sino también de la comunidad MIC y CAI. Para DALI 2021, se aceptó para publicación 15 artículos de 32 presentaciones. Se centran en el estudio riguroso de datos médicos relacionados con sistemas de aprendizaje automático. . Nota de contenido: DGM4MICCAI 2021 - Image-to-Image Translation, Synthesis -- Frequency-Supervised MRI-to-CT Image Synthesis -- Ultrasound Variational Style Transfer to Generate Images Beyond the Observed Domain -- 3D-StyleGAN: A Style-Based Generative Adversarial Network for Generative Modeling of Three-Dimensional Medical Images -- Bridging the gap between paired and unpaired medical image translation -- Conditional generation of medical images via disentangled adversarial inference. -CT-SGAN: Computed Tomography Synthesis GAN -- Hierarchical Probabilistic Ultrasound Image Inpainting via Variational Inference -- CaCL: class-aware codebook learning for weakly supervised segmentation on diffuse image patterns -- BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification -- Evaluating GANs in medical imaging -- DGM4MICCAI 2021 - AdaptOR challenge -- Improved Heatmap-based Landmark Detection -- Cross-domain Landmarks Detection in Mitral Regurgitation -- DALI2021 -- Scalable Semi-supervised Landmark Localization for X-ray Images using Few-shot Deep Adaptive Graph -- Semi-supervised Surgical Tool Detection Based on Highly Confident Pseudo Labeling and Strong Augmentation Driven Consistency -- One-shot Learning for Landmarks Detection -- Compound Figure Separation of Biomedical Images with Side Loss -- Data Augmentation with Variational Autoencoders and Manifold Sampling -- Medical image segmentation with imperfect 3D bounding boxes -- Automated Iterative Label Transfer Improves Segmentation of Noisy Cells in Adaptive Optics Retinal Images -- How Few Annotations are Needed for Segmentation using a Multi-planar U-Net? -- FS-Net: A New Paradigm of Data Expansion for Medical Image Segmentation -- An Efficient Data Strategy for the Detection of Brain Aneurysms from MRA with Deep Learning -- Evaluation of Active Learning Techniques on Medical Image Classification with Unbalanced Data Distributions -- Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation -- Label Noise in Segmentation Networks : Mitigation Must Deal with Bias -- DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization -- MetaHistoSeg: A Python Framework for Meta Learning in Histopathology Image Segmentation. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Deep Generative Models, and Data Augmentation, Labelling, and Imperfections : First Workshop, DGM4MICCAI 2021, and First Workshop, DALI 2021, Held in Conjunction with MICCAI 2021, Strasbourg, France, October 1, 2021, Proceedings [documento electrónico] / Engelhardt, Sandy, ; Oksuz, Ilkay, ; Zhu, Dajiang, ; Yuan, Yixuan, ; Mukhopadhyay, Anirban, ; Heller, Nicholas, ; Huang, Sharon Xiaolei, ; Nguyen, Hien, ; Sznitman, Raphael, ; Xue, Yuan,  . -  1 ed.  . - [s.l.] : Springer, 2021 . - XV, 278 p. 104 ilustraciones, 82 ilustraciones en color. ISBN : 978-3-030-88210-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de imágenes  Visión por computador  Inteligencia artificial  Bioinformática  Imágenes por computadora  visión  reconocimiento de patrones y gráficos  Biología Computacional y de Sistemas Índice Dewey: 6 Resumen: Este libro constituye las actas arbitradas del Primer Taller MICCAI sobre Modelos Generativos Profundos, DG4MICCAI 2021, y el Primer Taller MICCAI sobre Aumento, Etiquetado e Imperfecciones de Datos, DALI 2021, celebrado junto con MICCAI 2021, en octubre de 2021. Los talleres fueron Estaba previsto que se llevara a cabo en Estrasburgo, Francia, pero se llevaron a cabo virtualmente debido a la pandemia de COVID-19. DG4MICCAI 2021 aceptó 12 artículos de las 17 presentaciones recibidas. El taller se centra en desarrollos algorítmicos recientes, nuevos resultados y direcciones futuras prometedoras en modelos generativos profundos. Los modelos generativos profundos, como Generative Adversarial Network (GAN) y Variational Auto-Encoder (VAE), están recibiendo actualmente una amplia atención no solo de las comunidades de visión por computadora y aprendizaje automático, sino también de la comunidad MIC y CAI. Para DALI 2021, se aceptó para publicación 15 artículos de 32 presentaciones. Se centran en el estudio riguroso de datos médicos relacionados con sistemas de aprendizaje automático. . Nota de contenido: DGM4MICCAI 2021 - Image-to-Image Translation, Synthesis -- Frequency-Supervised MRI-to-CT Image Synthesis -- Ultrasound Variational Style Transfer to Generate Images Beyond the Observed Domain -- 3D-StyleGAN: A Style-Based Generative Adversarial Network for Generative Modeling of Three-Dimensional Medical Images -- Bridging the gap between paired and unpaired medical image translation -- Conditional generation of medical images via disentangled adversarial inference. -CT-SGAN: Computed Tomography Synthesis GAN -- Hierarchical Probabilistic Ultrasound Image Inpainting via Variational Inference -- CaCL: class-aware codebook learning for weakly supervised segmentation on diffuse image patterns -- BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification -- Evaluating GANs in medical imaging -- DGM4MICCAI 2021 - AdaptOR challenge -- Improved Heatmap-based Landmark Detection -- Cross-domain Landmarks Detection in Mitral Regurgitation -- DALI2021 -- Scalable Semi-supervised Landmark Localization for X-ray Images using Few-shot Deep Adaptive Graph -- Semi-supervised Surgical Tool Detection Based on Highly Confident Pseudo Labeling and Strong Augmentation Driven Consistency -- One-shot Learning for Landmarks Detection -- Compound Figure Separation of Biomedical Images with Side Loss -- Data Augmentation with Variational Autoencoders and Manifold Sampling -- Medical image segmentation with imperfect 3D bounding boxes -- Automated Iterative Label Transfer Improves Segmentation of Noisy Cells in Adaptive Optics Retinal Images -- How Few Annotations are Needed for Segmentation using a Multi-planar U-Net? -- FS-Net: A New Paradigm of Data Expansion for Medical Image Segmentation -- An Efficient Data Strategy for the Detection of Brain Aneurysms from MRA with Deep Learning -- Evaluation of Active Learning Techniques on Medical Image Classification with Unbalanced Data Distributions -- Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back Projection Augmentation -- Label Noise in Segmentation Networks : Mitigation Must Deal with Bias -- DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization -- MetaHistoSeg: A Python Framework for Meta Learning in Histopathology Image Segmentation. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200