Jul, 2023

基于混合表示增强采样的肌肉骨骼下肢分割的贝叶斯主动学习

PDF
TL;DR本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中有效地降低标注成本。
deep learningbayesian active learningmanual annotationsegmentationmedical image datasets
发现论文，激发创造
  • 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

  • 基于成熟度感知的层次自适应样本评估的语义分割主动学习

    基于等级方法定义多视图数据分布的成熟度感知分解的主动学习方法 (MADBAL) 在像素级的语义分割中具有显著的性能提升，减轻了训练负担，通过包括不确定性检测模块来感知特征成熟度并持续影响不确定性检测，验证实验证明了其在 Cityscapes 和 PASCAL VOC 数据集上优于现有方法。

    Aug, 2023

  • BAL：平衡多样性和新颖性的主动学习

    通过自监督学习获取特征，利用聚类距离差异度量标识多样的数据，进而构建自适应子集来平衡多样和不确定的数据，该方法相对于已有的主流主动学习方法在广泛认可的基准测试上提高了 1.20% 的性能，同时在更大和更小的标注预算下也验证了该方法的有效性

    Dec, 2023

  • 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

  • 双向基于不确定性的主动学习用于开放集标注

    提出了一种双向不确定性主动学习（Bual）框架，通过将未知类别的样本推向具有高置信度预测的区域，并采用同时估计正负学习带来的不确定性的双向不确定性采样策略来实现从已知类别中获取高信息量样本，并在多个具有不同开放性的数据集上进行了广泛实验证明，BUAL 的性能达到了最先进水平。

    Feb, 2024

  • 精确农业中高效注释的主动学习：基于作物 - 杂草语义分割的用例

    优化深度学习模型，尤其是在农业领域，通过进行比较性研究，发现主动学习方法在语义分割任务中比随机采样有更好的性能，但在具有高类别不平衡和冗余图像的农业数据集上仍需要进一步的研究。

    Apr, 2024

  • 医学图像深度主动学习的收集函数研究

    通过实验和分析证明了不确定性在黑素瘤检测任务中是有用的，并且证实了作者提出的 BALD 方法在平均性能上优于其他获取函数。然而，进一步的分析揭示了所有获得函数在阳性（癌症）样本上表现不佳，暗示了类别不平衡的利用，在真实世界环境中可能是关键的。

    Jan, 2024

  • BaSAL：基于大小平衡的激活学习方法在 LiDAR 语义分割中的应用

    基于 BaSAL 方法，通过采用基于大小的采样和热启动，我们成功改善了初始模型的性能，实现了与在整个 SemanticKITTI 数据集上训练相媲美的表现，尽管只使用了 5% 的注释，超过了现有的主动学习方法。在 nuScenes 上，我们也与现有最先进的主动学习方法相匹配。

    Oct, 2023

  • 基于主动学习的领域自适应语义分割的类别平衡动态获取

    领域自适应主动学习通过使用不确定性和多样性两个准则与像素级获取策略相结合，有效提高神经网络在标注效率训练中的性能。然而，目前这种方法出现了类别不平衡问题，导致在更大规模的主动学习预算下性能下降。为缓解这一问题，本文提出了一种新型的主动学习方法，即类别平衡动态获取（CBDA），特别适用于高预算情况。通过增加较小类别的训练样本，改进了少数类别的性能，使模型在 5%、10% 和 20% 预算下的 mIoU 分别提高了 0.6、1.7 和 2.4。此外，对少数类别的关注还使最小类别性能分别提高了 0.5、2.9 和 4.6 IoU。最优模型甚至超过了全监督基准模型，表明相较于完整的真实标注，更平衡的标注对模型是有益的。

    Nov, 2023

  • 大型语言模型中的深度贝叶斯主动学习偏好建模

    通过提出一种新的随机获取策略，该模型可以在多种设置中以比以前的贝叶斯随机获取策略更少的偏好标签的情况下，在人类喜好数据集中获得 33% 至 68% 的偏好标签。

    Jun, 2024