Jun, 2023

基于内容的图像检索的有效标注节约算法

PDF
TL;DR本文提出了一种名为 ANNEAL 的注释成本高效的主动学习方法，通过模拟为相似或不相似的最具信息量的图像对进行注释来增强训练集，从而准确地建模深度度量空间。
deep metric learningcontent-based image retrievalactive learningannotationremote sensing
发现论文，激发创造
  • 深度度量学习驱动的遥感图像检索的标注成本高效主动学习

    通过结合度量学习、主动学习以及不确定性估计等方法，提出了一种用于远程感知图像检索的低成本主动学习方法，该方法有效地减少了图像标注的成本，并在两个远程感知基准数据集上取得了显著的实验结果。

    Jun, 2024

  • 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

  • 图像注释的模块化深度主动学习框架：眼科人工智能项目的技术报告

    图像标注是医学成像和疾病诊断领域中确保患者适当治疗和追踪疗程进展的最重要任务之一。通过使用深度学习的分割算法和主动学习方法，MedDeepCyleAL 提供了一个完整的端到端框架，可自动化图像标注并在眼科数据方面表现出优越性能。

    Mar, 2024

  • ImageNet 规模下的主动学习

    该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

    Nov, 2021

  • DEAL: 图像分类的深度证据主动学习

    本文提出一种新的主动学习算法，将 CNN 模型的输出从 softmax 替换为 Dirichlet 值，实现从未标记数据中提取最具信息量的标记数据集，该方法在多项数据集和医学图像识别领域中与其他主动学习方法相比均具有更高的性能表现和易于实现且不需要大量计算资源的优点。

    Jul, 2020

  • 基于不确定度采样、注释冗余限制和数据初始化的脑肿瘤分割主动学习

    本研究探讨了使用 dropout 不确定性评估的 active learning 策略以降低医学 3D 成像中神经胶质瘤 MRI 图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。

    Feb, 2023

  • 深度主动学习在医学图像分析中的综合调查

    医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

    Oct, 2023

  • 减少 BioNLP 注释成本的方法

    开发了一种名为 ClosestInitPA 的主动学习算法，特别适用于在训练数据冗余、注释成本高、支持向量机适用的任务和不平衡的数据集（即在构建二元分类问题时，其中一个类别比另一个类别稀少得多）中显著降低 BioNLP 任务的注释成本。

    Sep, 2014

  • 主动学习引导下微调，增强基于自监督的遥感多标签分类

    本文旨在探讨自监督预训练与主动学习的联合使用是否能够有效解决遥感图像多标签分类中的类不平衡问题，并通过实验证明了与单独使用随机训练集进行微调相比，指导自监督模型的主动学习微调方案的有效性。

    Jun, 2023

  • Ask-n-Learn：基于可靠梯度表示的主动学习图像分类

    本论文提出了一种基于梯度嵌入和预测校准的主动学习方法 Ask-n-Learn，结合数据扩增缓解伪标注期间的确认偏差，通过对基准图像分类任务（CIFAR-10，SVHN，Fashion-MNIST，MNIST）的经验研究，证明了该方法优于最近提出的 BADGE 算法等现有基线。

    Sep, 2020