Jul, 2023

EdgeAL：基于边缘估计的光学相干断层扫描的主动学习方法

PDF
TL;DR利用未见数据的边缘信息作为先验信息进行不确定度测量，提出了 EdgeAL 主动学习算法，并在多类别光学相干断层扫描（OCT）分割任务中取得了 99% 的 Dice 分数，同时将注释标签成本分别降低了 12%、2.3% 和 3%（在三个公开数据集 Duke，AROI 和 UMN 上）
active learning algorithmsdata annotationuncertainty measurementedge informationoptical coherence tomography segmentation
发现论文，激发创造
  • 突破壁垒：基于选择性不确定性的主动学习在医学图像分割中的应用

    通过选择性基于不确定性的主动学习方法，优先考虑目标区域和决策边界附近的像素，提高医学图像分割的性能和效率。

    Jan, 2024

  • 边缘引导和类别平衡的主动学习用于航空图像的语义分割

    提出了基于边缘指导的标注单元作为新单元以及对类别不平衡的综合性处理，改进的方法在三个基准数据集上相比最先进方法获得了超过 11.2% 的性能提升，并相比基准模型提高了超过 18.6% 的性能表现，为未来关于航空图像语义分割的主动学习研究建立了公平而强大的基准。

    May, 2024

  • 视角熵下的语义分割主动学习

    提出了一种基于视点一致性的主动学习策略 ViewAL，该策略采用新的视点熵公式来评估模型的不确定性，并在超像素级别计算不确定性，从而降低了注释成本，并在 SceneNet-RGBD、ScanNet 和 Matterport3D 数据集上展示了优于现有方法的性能。

    Nov, 2019

  • 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

  • 基于预测准确度的医学图像分割主动学习

    通过引入预测准确率来定义不确定性，我们提出了一种高效的基于预测准确率的主动学习方法（PAAL）用于医学图像分割，在保证采集样本的不确定性和多样性的同时，显著降低了大约 50% 到 80% 的标注成本，具有在临床应用中的重要潜力。

    May, 2024

  • 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

  • 熵驱动的开放集主动学习

    该研究提出了一种基于熵的开放集主动学习（EOAL）框架，通过有效利用已知和未知分布，从未标记的数据中选择信息量较高的样本，并在 CIFAR-10、CIFAR-100 和 TinyImageNet 数据集上表现优于现有的最先进方法。

    Dec, 2023

  • 关于主动学习图像分割中的不确定度估计

    本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

    Jul, 2020

  • 基于 Discwise 的激活学习用于 LiDAR 语义分割

    本文研究 LiDAR 数据获取、语义分割的主题，提出了基于主动学习的方法，包括顺序标注和半监督学习，以提高标注效率和性能。

    Sep, 2023

  • 第一印象很重要：为 3D 语义分割构建主动学习种子

    提出了一种名为 SeedAL 的方法，用于 3D 点云的语义分割的有效注释，包括处理主动学习和无监督图像特征的选择种子等技术，实验效果显著。

    Apr, 2023