题目: Generative Adversarial Networks in Digital Pathology: A Survey on Trends and Future Potential

摘要: 近年来,数字病理学领域的图像分析越来越受到人们的重视。高质量的全幻灯片扫描仪的使用,使快速获取大量的图像数据,显示广泛的背景和微观的尾巴在同一时间。同时,新的机器学习算法提高了图像分析方法的性能。在这篇论文中,我们关注一类特别强大的架构,称为生成对抗网络(GANs),应用于组织学图像数据。除了提高性能之外,GANs还支持这个领域的应用场景,这在以前是很难解决的。然而,GANs可能表现出引入偏差的潜在可能。在此,我们总结了广义标记法的最新发展,介绍了广义标记法的主要应用,并对一些有前途的方法及其可能的应用前景进行了展望。此外,我们还确定了当前不可用的具有未来应用潜力的方法。

成为VIP会员查看完整内容
18

相关内容

计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
生成式对抗网络GAN异常检测
专知会员服务
116+阅读 · 2019年10月13日
Gartner:2020年十大战略性技术趋势, 47页pdf
专知
25+阅读 · 2020年3月10日
【综述】生成式对抗网络GAN最新进展综述
专知
57+阅读 · 2019年6月5日
论文推荐 | 生成对抗网络GAN论文TOP 10
机器学习算法与Python学习
5+阅读 · 2019年3月20日
命名实体识别(NER)综述
AI研习社
66+阅读 · 2019年1月30日
【GAN】2018最佳生成性对抗网络GAN论文回顾与挑战
产业智能官
11+阅读 · 2019年1月21日
Kaggle入门手册
Datartisan数据工匠
14+阅读 · 2017年11月9日
Generative Adversarial Networks: A Survey and Taxonomy
VIP会员
相关VIP内容
生成式对抗网络GAN异常检测
专知会员服务
116+阅读 · 2019年10月13日
相关资讯
微信扫码咨询专知VIP会员