通过使用回归模型 Quality Sentinel,可以估计医学分割数据集中标签的质量,并发现关于标签质量的有用信息,以及纠正标签错误并提高人工智能训练效率的方法。
Jun, 2024
本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法,该方法在三个公共医学影像分割数据集上表现良好,尤其是在注释数量较少且出现较大不一致性的情况下。
Jul, 2020
该论文通过训练替代质量评估模型来评估分割质量,其中涉及各个领域的专家数据,并将此方法应用于具有广泛应用前景的分割质量预测。
May, 2022
该研究通过对不同模型进行实验,探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况,以分析语义分割中的失败案例和预测准确性的问题。
本文介绍一种创建数据清理的分割的方法,通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性,并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法,同时还能最大限度地减少获取高质量训练数据的成本和精力。
Apr, 2023
通过深度学习模型建立 DSC (Dice Similarity Coefficients) 预测模型,用于评估心血管 MR 图像的分割质量;同时提出一种无标记数据的反向测试策略,预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量,实现实时分割方法的筛选为可分析图像,最大限度提高图像分析结果的优化。
Jun, 2018
利用元分类模型评估汽车零部件语义分割模型预测段的精度,通过剔除低质量的段,平均分割结果的 mIoU 略微提高 16 个百分点,错误预测段减少 77%。
Jan, 2024
该研究探讨了利用自信学习算法来改善训练数据集的质量,通过发现原始训练数据集中的错误标签,可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量,最终提高目标检测算法的性能。
Nov, 2022
通过仅在稀疏像素位置提供标签,深度神经网络可以实现良好的语义分割性能,结合主动学习机制和高效注释策略可以大大减少标注成本,并在 CamVid,Cityscapes 和 PASCAL VOC 2012 数据集上进行了实验证明了相当可比的性能。
Apr, 2021
该研究提出了一个新的框架,可以使用大量的便宜的不可靠注释和较少的专家级别的干净注释训练完全卷积分割网络,使用空间可适应重新加权方法在损失函数中平衡了干净和嘈杂的像素级注释,使用元学习方法将更多的重要性分配给损失梯度方向更接近干净数据的像素,实验表明,使用空间重新加权可以改善深度网络对噪声注释的鲁棒性。
Jun, 2019