xAILab Bamberg pr?sentiert zwei Paper auf der 35. British Machine Vision Conference (BMVC) in Glasgow
Hauptkonferenz Paper: "Privacy-preserving datasets by capturing feature distributions with Conditional VAEs"
Gro?e und gut kommentierte Datens?tze sind für die Weiterentwicklung von Deep-Learning-Anwendungen unerl?sslich, jedoch oft teuer oder unm?glich für eine einzelne Einrichtung zu beschaffen. In vielen Bereichen, darunter auch in der Medizin, sind Ans?tze, die sich auf die gemeinsame Nutzung von Daten stützen, von entscheidender Bedeutung, um diese Herausforderungen zu bew?ltigen. Die gemeinsame Nutzung von Daten erh?ht zwar den Umfang und die Vielfalt des Datensatzes, wirft aber auch erhebliche Datenschutzbedenken auf. ?bliche Anonymisierungsmethoden, die auf dem Paradigma der k-Anonymit?t basieren, k?nnen die Datenvielfalt oft nicht bewahren, was die Robustheit der Modelle beeintr?chtigt. In dieser Arbeit wird ein neuartiger Ansatz vorgestellt, der Conditional Variational Autoencoders (CVAEs) verwendet, die auf Merkmalsvektoren trainiert werden, die aus gro?en vortrainierten Bildverarbeitungsgrundmodellen extrahiert wurden. Basismodelle erkennen und repr?sentieren komplexe Muster in verschiedenen Bereichen und erm?glichen es den CVAEs, den Einbettungsraum einer gegebenen Datenverteilung getreu zu erfassen, um eine vielf?ltige, datenschutzkonforme und potenziell unbegrenzte Menge synthetischer Merkmalsvektoren zu generieren (zu samplen). Unsere Methode übertrifft herk?mmliche Ans?tze sowohl im medizinischen als auch im natürlichen Bildbereich deutlich, da sie eine gr??ere Datenvielfalt und eine h?here Robustheit gegenüber St?rungen aufweist und gleichzeitig die Privatsph?re der Stichprobe wahrt. Diese Ergebnisse unterstreichen das Potenzial generativer Modelle, Deep-Learning-Anwendungen in datenknappen und datenschutzsensiblen Umgebungen erheblich zu beeinflussen.
Für weitere Details k?nnen Sie das Paper hier und den zugeh?rige Quellcode hier abrufen.
RROW-Workshop Paper: "Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations"
Wir pr?sentieren unORANIC+, eine neuartige Methode zur unüberwachten Orthogonalisierung von Bildmerkmalen, die die F?higkeit eines Vision Transformers nutzt, sowohl lokale als auch globale Zusammenh?nge zu erfassen, um die Robustheit und Generalisierbarkeit zu verbessern. Die schlanke Architektur von unORANIC+ trennt effektiv anatomische von bildspezifischen Merkmalen, was zu robusten und unvoreingenommenen latenten Repr?sentationen führt. Dadurch kann das Modell herausragende Leistungen bei einer Vielzahl von Aufgaben in der medizinischen Bildanalyse und auf unterschiedlichen Datens?tzen erbringen. Umfangreiche Experimente belegen die Leistungsf?higkeit von unORANIC+ bei der Bildrekonstruktion, seine Widerstandsf?higkeit gegenüber St?rungen sowie seine F?higkeit, bestehende Bildverzerrungen zu korrigieren. Darüber hinaus zeigt das Modell eine au?ergew?hnliche Eignung für nachgelagerte Aufgaben wie die Krankheitsklassifikation und die Erkennung von Bildkorruption. Wir best?tigen seine Anpassungsf?higkeit an verschiedene Datens?tze, unabh?ngig von der Bildquelle oder der Stichprobengr??e, und positionieren die Methode somit als vielversprechenden Algorithmus für die fortschrittliche medizinische Bildanalyse – insbesondere in ressourcenbeschr?nkten Umgebungen, in denen gro?e, ma?geschneiderte Datens?tze fehlen.
Für weitere Details k?nnen Sie das Paper hier und den zugeh?rige Quellcode hier abrufen.
?ber BMVC und RROW
Die British Machine Vision Conference (BMVC) ist die j?hrliche Konferenz der British Machine Vision Association (BMVA) über maschinelles Sehen, Bildverarbeitung und Mustererkennung. Sie ist eine der wichtigsten internationalen Konferenzen über Computer Vision und verwandte Bereiche, die im Vereinigten K?nigreich stattfindet. Mit zunehmender Popularit?t und Qualit?t hat sie sich zu einer angesehenen Veranstaltung im Bildverarbeitungs-Kalender entwickelt.
Der RROW-Workshop befasst sich mit den Herausforderungen, denen sich tiefe neuronale Netze bei unerwarteten Szenen und Umgebungen stellen müssen, die sich von den Trainingsdaten unterscheiden. Im Fokus stehen Methoden und Datens?tze zur Verbesserung der Robustheit und Anpassungsf?higkeit von KI für kritische Anwendungen wie automatisiertes Fahren, Robotik und medizinische Bildgebung.
In diesem Jahr findet die Konferenz in Glasgow auf dem Scottish Event Campus statt, einem renommierten Veranstaltungsort, der für seine modernen Einrichtungen und seine malerische Lage am Fluss Clyde bekannt ist.
