基于成本效益的黑色素瘤分割主动学习

NIPSNov, 2017

基于成本效益的黑色素瘤分割主动学习

Cost-Effective Active Learning for Melanoma Segmentation

Marc Gorriz, Axel Carlier, Emmanuel Faure, Xavier Giro-i-Nieto

TL;DR本研究提出了一个新颖的主动学习框架，利用 Monte Carlo 取样的 Dropout 来建模像素级别的不确定性，并分析图像信息，以有效地训练医学成像的卷积神经网络进行语义分割，且仅需要一个有限的标记训练数据。

Abstract

We propose a novel active learning framework capable to train effectively a convolutional neural network for semantic segmentation of

active learning convolutional neural network semantic segmentation medical imaging monte carlo sampling

发现论文，激发创造

深度图像分类的成本效益主动学习

本文提出了一种新的主动学习框架，通过有限量的标签训练实例以增量学习的方式构建具有最佳特征表示的竞争性分类器。该方法利用深度卷积神经网络进行主动学习，设计了一种成本效益的样本选择策略，通过选取高置信度的无标签样本自动迭代分配伪标签来改善分类性能。实验证明，该框架在人脸识别和物体分类等两个数据集上取得了有希望的成果。

Jan, 2017

手术视频分割的相关感知主动学习

该研究提出了一种基于对比学习的新型主动学习策略 COALSamp，通过将图像投影到经过精调的潜空间，并从视频帧的局部群集中选择一定数量的代表性图像，来改善手术视频分割的模型性能。

Nov, 2023

使用样本选择和条件生成对抗网络的图像分类和分割高效主动学习

使用生成对抗网络和贝叶斯神经网络的主动学习框架，可以从少量的医学图像中训练出具有良好鲁棒性的深度学习系统，取得了同类方法中最先进的性能表现。

Jun, 2018

深度强化主动学习多类别图像分类

本文介绍了基于深度强化学习的主动学习框架，旨在最大限度地提高医学影像分类器性能，同时减少对数据采集和标记所需的时间和专业知识。该框架通过修改深度 - Q 网络公式，基于几何参数在分类器的潜在空间中挑选数据，实现了高准确性的多类别分类。同时，我们还将该框架应用于两个医学图像数据集，并与标准查询策略以及最新的基于强化学习的主动学习方法进行了比较。

Jun, 2022

基于深度主动学习框架的生物医学图像分割建议性标注

本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

Jun, 2017

深度检测神经网络的主动学习

该论文提出了一种基于卷积神经网络的主动学习目标检测方法，使用新的图像级评分过程对未标记图像进行排序以进行自动选择，并针对不同情境（如视频或静态图像集）提出适应技巧，在行人检测任务中经过广泛研究，我们在实验中表明所提出的方法比随机选择表现更好。

Nov, 2019

主动半监督学习的语义分割

提出了通过结合主动学习和半监督学习来减少标注样本数量的新算法，应用于语义分割任务取得了优异的成果。

Mar, 2022

提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

May, 2023

图像分割的强化主动学习

策略是通过使用深度强化学习对语义分割进行主动学习实现的，该方法比最有竞争力的基线数量少约 30％的附加标签数据，提高模型对不足表达类别的分类性能。

Feb, 2020

水下检测中基于不确定性的主动学习图像分割

使用主动学习方法在水下基础设施检测任务中进行图像分割，并使用互信息和蒙特卡洛 dropout 计算获得采集函数，结果显示采用主动学习方法可以显著降低水下检测任务中分割模型的成本。

Mar, 2024