Displaying present location in the site.

机器学习

NLC机器学习研究团队致力于:

  1. 研究少数据、弱标签等问题场景下的自动机器学习技术,提高人工智能的操作效率和可解释性,开发可信的人工智能系统;
  2. 研究不确定性概率推理技术,并与各种深度学习模型结合,开发高可靠性的医疗诊断人工智能系统。

作为一个年轻的研究团队,我们不仅短期内在MICCAI, IJCNN, ICIP等重要学术会议上发表了我们研究成果, 并且与国内多家知名三甲医院正深入开展医疗诊断AI方面的研发合作,将研究成果快速应用于临床实践。

论文发表

  • 【ISBI 2021】UNCERTAINTY-GUIDED ROBUST TRAINING FOR MEDICAL IMAGE SEGMENTATION (用于医疗图像分割的不确定性鲁棒训练)
  • 【IJCNN 2021 (Accepted)】Model Performance Inspection of Deep Neural Networks by Decomposing Bayesian Uncertainty Estimates (基于分解贝叶斯不确定性估计的深度神经网络模型性能诊断)
  • 【IJCNN 2021 (Accepted)】Layerwise Approximate Inference for Bayesian Uncertainty Estimates on Deep Neural Networks (深度神经网络贝叶斯不确定性估计的分层近似推理)
  • 【MICCAI 2020】An Effective Data Refinement Approach for Upper Gastrointestinal Anatomy Recognition(一种应用于上消化道解剖识别的数据精炼方法)
  • 【ICIP 2020】Loss Rescaling by Uncertainty Inference for Single-stage Object Detection(用于单阶段目标检测器的不确定性推导重缩放损失函数)
  • 【IJCNN 2020】A Layer-wise Adversarial Training Approach to Improve Adversarial Robustness(层次对抗训练以有效提升对抗鲁棒性)