Oct, 2023

MyriadAL：组织病理学的主动少样本学习

PDF
TL;DR在这项研究中，我们提出了一种主动少样本学习框架，名为 Myriad Active Learning（MAL），该框架利用对无标签数据的自我监督处理和聚类知识作为激活主动学习循环的基础，并通过优化编码器上的浅层任务网络来改善伪标签的生成和主动学习查询选择过程，进而减少样本的冗余性，并且在两个公共组织病理学数据集上的广泛实验证明，MAL 相较于之前的方法具有更高的测试准确性、宏 F1 分数和标签效率，并且能在只对数据集的 5% 进行标注的情况下达到与完全监督算法可比的测试准确性。
active learningfew shot learninglabel-efficient methodsmyriad active learninghistopathology
发现论文，激发创造
  • 针对组织病理图像分类的专注主动学习

    Focused Active Learning combines Bayesian Neural Network with Out-of-Distribution detection to estimate different uncertainties for acquisition and outperforms existing methods for prostate cancer classification.

    Apr, 2024

  • OpenAL: 用于开放式病理图像分类的高效深度主动学习框架

    本文提出一种解决在打标签样本池中既包含目标类和非目标类的情况下如何查询样本的问题的方法 ——OpenAL，并在细粒度分类病理图像的实验中表明其可以显著提高目标类样本的查询质量，达到比当前最先进的主动学习方法更高的性能。

    Jul, 2023

  • 使用 FASL 进行主动式少样本学习

    本文介绍了一种新型迭代式快速文本分类模型训练平台 FASL，将 few-shot learning 和 active learning 两种方法相结合，探究了哪种主动学习方法在 few-shot setup 中的效果最佳，还开发了一个模型来预测何时停止标注。

    Apr, 2022

  • 假设、增强和学习：通过随机标签和数据增强的无监督少样本元学习

    本文介绍了一种名为 AAL 的方法，通过数据增强和重复使用支持集来生成无需任何标签的无监督少样本元学习任务，以提高泛化能力，从而实现对小规模真实标注数据的有效训练。

    Feb, 2019

  • 自我监督辅助主动学习用于皮肤病变分割

    本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

    May, 2022

  • 用于高效标注核实例分割的少样本学习

    在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

    Feb, 2024

  • 皮肤病变分类的联邦主动学习框架

    我们提出了一个联邦主动学习（FedAL）框架，通过在医学图像分析中周期性和交互式地执行主动学习，从而减少标注数据量、保护患者隐私，并保持联邦学习的性能。在真实的皮肤镜数据集上验证了我们的框架，在只使用 50％的样本的情况下，在皮肤病变分类任务上取得了与全数据联邦学习相媲美的性能。

    Jun, 2024

  • 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

  • MEAL: Few-Shot 提示稳定与活跃学习

    本研究提出了一种新颖的集成方法以减少 few-shot 分类中的变化，同时利用主动学习来选择优秀的 Prompt，并基于此提出了一个名为 MEAL 的综合方法，可以在 5 个不同的任务上改进 Prompt-based 微调的整体性能 2.3 个绝对点。

    Nov, 2022