-
H11_M09_高解析度影像的高效率深度學習方法
更新頻率 不定期 瀏覽次數 2133 下載次數 418Method The goal of the model is to use resnet50 with AMP(AUTOMATIC MIXED PRECISION) to accelerate the training speed and make a high-resolution skin cancer classification. Usage... -
需申請審核 H11-M06_考慮到例外分佈的病理影像標註品質評估技術
更新頻率 不定期 瀏覽次數 2634 下載次數 13Method 使用無監督式學習訓練之病理影像異常檢測模型，僅須提供未帶有腫瘤區域的資料來訓練模型，便可協助醫師偵測出病理影像中可能的腫瘤區域。 模型訓練分為兩階段, 第一階段是使用 Self-Supervised Learning 去訓練一個好的 Image Encoder (類似 MoCo) ，第二階段會使用到訓練好的 Encoder... -
需申請審核 H11-M05_基於不精確標註資料的弱監督式病理影像切割模型
更新頻率 不定期 瀏覽次數 3321 下載次數 46Method: 使用多實例學習訓練WSI的分類與切割模型，只需要給定WSI有無包含腫瘤組織資訊即可訓練具有分割與分類效果的模型。 模型訓練分為兩階段, 第一階段是使用 Self-Supervised Learning 去訓練一個好的 embedder，把patch轉為特徵向量 ，第二階段會使用到訓練好的 Aggregator... -
需申請審核 H11-M32_肝組織脂肪變性細胞偵測模型
更新頻率 不定期 瀏覽次數 2048 下載次數 27使用RnB-Unet模型偵測非酒精性脂肪肝之病理切片中的油滴之侯選區域及邊緣機率，以邊緣符合分數BMS篩選出正確之油滴區域，提供數量、面積、面積占比等量化資訊，協助醫師診斷脂肪肝之嚴重程度。 -
需申請審核 H11-M08_漸進式資料標註更正的自主學習模型
更新頻率 不定期 瀏覽次數 2183 下載次數 4Method 最先進的（SOTA）方法通常是通過監督式學習來訓練的，這需要大量的labeled data。由於標記數資料需要大量的人力和時間成本，尤其是那些需要由專家來標記的資料(如醫學相關)，所需要的成本更是難以負擔。Unlabeled data因為不需要標註所以取得相對容易且成本較低，因此如何能有效利用unlabeled... -
需申請審核 H11-M31_肝組織免疫染色價數評估模型
更新頻率 不定期 瀏覽次數 1457 下載次數 101.肝臟組織HBsAg免疫組織化學染色價數評估。 2.肝臟組織HBcAg免疫組織化學染色價數評估。 -
需申請審核 H11-M26_基於用戶回饋資訊之分散式動態訓練策略
更新頻率 不定期 瀏覽次數 1538 下載次數 5Abstract Federated learning provides a decentralized learning without data exchange. Among them, the Federated Average (FedAVG) framework is the most likely to be implemented in... -
需申請審核 H11-M03_強韌型(Robust)學習模型
更新頻率 不定期 瀏覽次數 2120 下載次數 3基於DISCO: https://arxiv.org/abs/2212.05630 的抗數位梯度攻擊影像資料模型，利用逆向Project Gradient Descent (PGD)資料 & PGD攻擊資料訓練DISCO模型，使得模型純化能力提升，提升下游模型強韌性。 資料集: CIFAR-10, CIFAR-100:... -
需申請審核 H11-D01_幽門部位內視鏡影像病理資料
更新頻率 不定期 瀏覽次數 3255 下載次數 4Description 此資料集適用於半監督式深度學習方法，目的在部分標註資料情況下，學習一個可靠的AI模型，降低人工標註之成本。 Acknowledgements This work was supported in part by the National Science and Technology Council, Taiwan under... -
需申請審核 H11-MXX_MODEL NAME
更新頻率 不定期 瀏覽次數 1623 下載次數 0Method TODO: Description of the method Usage TODO: model usage Release Note v1.X.X, YYYY/MM/DD, XXXXXX Citation TODO: Citation information Acknowledgements This work was...