Apr, 2024

针对组织病理图像分类的专注主动学习

PDF
TL;DRFocused 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.
active learningfocused active learningbayesian neural networkout-of-distribution detectionprostate cancer
发现论文，激发创造
  • 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

  • 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

  • MyriadAL：组织病理学的主动少样本学习

    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。

    Oct, 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

  • 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

  • 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

  • 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

  • FOCAL：一种适用于主动学习的成本感知视频数据集

    本文介绍了 FOCAL（Ford-OLIVES 协作主动学习）数据集，该数据集用于研究视频主动学习环境中标注成本的影响。通过提供真实的标注成本标签，以及引入一系列的符合性主动学习算法，本研究展示了这些方法如何更好地反映了视频标注的实际操作，并且证明了最佳的符合性主动学习方法比传统的主动学习方法更便宜 113 个小时。

    Nov, 2023

  • 基于概率建模的深度目标检测主动学习

    本文提出了一种基于混合密度网络的深度主动学习方法，该方法通过对定位和分类器的输出估计概率分布并明确估计模型的不确定性，使用一种特殊得分函数将这两种不确定性聚合在一起以获取每个图像的信息量分数，通过 PASCAL VOC 和 MS-COCO 数据集的实验证明了该方法在物体检测方面的有效性，性能优于单模型和多模型方法，而计算成本仅为之前方法的一小部分。

    Mar, 2021

  • 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