Zobrazeno 1 - 10
of 21
pro vyhledávání: '"Rivail, Antoine"'
Autor:
Emre, Taha, Chakravarty, Arunava, Lachinov, Dmitrii, Rivail, Antoine, Schmidt-Erfurth, Ursula, Bogunović, Hrvoje
Contrastive pretraining provides robust representations by ensuring their invariance to different image transformations while simultaneously preventing representational collapse. Equivariant contrastive learning, on the other hand, provides represent
Externí odkaz:
http://arxiv.org/abs/2405.09404
Autor:
Emre, Taha, Chakravarty, Arunava, Rivail, Antoine, Lachinov, Dmitrii, Leingang, Oliver, Riedl, Sophie, Mai, Julia, Scholl, Hendrik P. N., Sivaprasad, Sobha, Rueckert, Daniel, Lotery, Andrew, Schmidt-Erfurth, Ursula, Bogunović, Hrvoje
Self-supervised learning (SSL) has emerged as a powerful technique for improving the efficiency and effectiveness of deep learning models. Contrastive methods are a prominent family of SSL that extract similar representations of two augmented views o
Externí odkaz:
http://arxiv.org/abs/2312.16980
Autor:
Emre, Taha, Oghbaie, Marzieh, Chakravarty, Arunava, Rivail, Antoine, Riedl, Sophie, Mai, Julia, Scholl, Hendrik P. N., Sivaprasad, Sobha, Rueckert, Daniel, Lotery, Andrew, Schmidt-Erfurth, Ursula, Bogunović, Hrvoje
In the field of medical imaging, 3D deep learning models play a crucial role in building powerful predictive models of disease progression. However, the size of these models presents significant challenges, both in terms of computational resources an
Externí odkaz:
http://arxiv.org/abs/2307.13865
Autor:
Emre, Taha, Chakravarty, Arunava, Rivail, Antoine, Riedl, Sophie, Schmidt-Erfurth, Ursula, Bogunović, Hrvoje
Recent contrastive learning methods achieved state-of-the-art in low label regimes. However, the training requires large batch sizes and heavy augmentations to create multiple views of an image. With non-contrastive methods, the negatives are implici
Externí odkaz:
http://arxiv.org/abs/2206.15282
Autor:
Rivail, Antoine, Schmidt-Erfurth, Ursula, Vogl, Wolf-Dieter, Waldstein, Sebastian M., Riedl, Sophie, Grechenig, Christoph, Wu, Zhichao, Bogunović, Hrvoje
Longitudinal imaging is capable of capturing the static ana\-to\-mi\-cal structures and the dynamic changes of the morphology resulting from aging or disease progression. Self-supervised learning allows to learn new representation from available larg
Externí odkaz:
http://arxiv.org/abs/1910.09420
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.