Geri Dön

Unsupervised learning from massivescale medical image collections

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 720263
  2. Yazar: ARAS YILDIZ
  3. Danışmanlar: PROF. DANİEL RUECKERT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgi ve Belge Yönetimi, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Information and Records Management, Computer Engineering and Computer Science and Control, Science and Technology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Imperial College London
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Özet yok.

Özet (Çeviri)

The amount of data being collected through various fields and contexts is beyond interpretation in today's world. There are numerous machine learning models and techniques that are available for training on these datasets using the supervision of human annotated labels associated with the data. Nonetheless, not all datasets have been fully annotated with labels, since it may not always be feasible to annotate every instance in a dataset. For instance, fully labeling a large scale medical image dataset would require many hours and people that have been trained in the relevant medical fields. However, without any labels, supervised models cannot compute classification loss, leading to the inability to train the model. Using unsupervised approaches, we force our models to extract latent features specific to our dataset so that models perform a better generalization when they are trained on the classification task. The two main approaches we investigate are Self-Supervising Tasks and Semi-Supervised Context-Conditioned Generative Adversarial Networks (GANs). Finally, we investigate a third approach where we combine the two main approaches which we call Self-supervised Semi-Supervised learning.

Benzer Tezler

  1. Tez No

    917989

    Learning from sequential data for anomaly detection

    Anormallik tespiti için sıralı verilerden öğrenme

    ESRA NERGİS YOLAÇAN

    Doktora

    İngilizce

    İngilizce

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNortheastern University

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DAVİD R. KAELİ

  2. Tez No

    914882

    Learning from minimally labeled data with accelerated convolutional neural networks

    Hızlandırılmış evrişimli sı̇nı̇r ağları ı̇le minimal etiketli verı̇lerden öğrenme

    AYŞEGÜL DÜNDAR BORAL

    Doktora

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPurdue University

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. EUGENİO CULURCİELLO

  3. Tez No

    461049

    Disjunctive normal unsupervised LDA for P300-based brain-computer interfaces

    P300 tabanlı beyin-bilgisayar arayüzleri için ayırıcı normal gözetimsiz DAA

    MAJED ELWARDY

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Assoc. Prof. Dr. MÜJDAT ÇETİN

  4. Tez No

    50023

    Using multiple sources of information for constraint-based morphological disambiquation

    Değişik bilgi kaynakları kullanarak biçimbirimsel birikleştirme

    GÖKHAN TÜR

    Yüksek Lisans

    İngilizce

    İngilizce

    1996

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Y.DOÇ.DR. KEMAL OFLAZER

  5. Tez No

    485232

    Using co-training to empower active learning

    Aktif öğrenmeyi güçlendirmek için eş-öğrenme kullanılması

    PAYAM VAKILZADEH AZAD

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

Geri Dön