用于减少标注工作的卷积神经网络主动持续微调
机器学习
2021-04-13 v5 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNNs）在计算机视觉中的巨大成功很大程度上归功于海量标注数据集（如 ImageNet 和 Places）的可用性。然而，在医学影像中，创建如此庞大的标注数据集极具挑战，因为标注医学图像不仅繁琐、费力且耗时，还需要昂贵且专业导向的技能，而这些技能并不易获得。为大幅降低标注成本，本文提出一种新颖方法，将主动学习与迁移学习（微调）自然整合到单一框架中，该方法直接从预训练 CNN 出发，寻找“值得”标注的样本，并通过持续微调逐步增强（微调后的）CNN。我们利用三种不同的医学影像应用评估了该方法，表明与随机选取相比，它至少能减少一半的标注工作。
引用
@article{arxiv.1802.00912,
title = {Active, Continual Fine Tuning of Convolutional Neural Networks for Reducing Annotation Efforts},
author = {Zongwei Zhou and Jae Y. Shin and Suryakanth R. Gurudu and Michael B. Gotway and Jianming Liang},
journal= {arXiv preprint arXiv:1802.00912},
year = {2021}
}