用于高效标注的主动图像合成
计算机视觉与模式识别
2021-05-18 v4
摘要
深度神经网络所取得的巨大成功吸引了制造与医疗健康领域越来越多的关注。然而，数据可用性的局限与数据收集的高成本是这些领域应用的主要挑战。我们在本工作中提出 AISEL，一种用于高效标注的主动图像合成方法，以提升小数据学习任务的性能。具体而言，我们生成了一个互补的 AISEL 数据集，其标签通过基于物理的方法主动获取，以融入手头的基础物理知识。我们 AISEL 方法的一个重要组件是双向生成可逆网络（GIN），它可从训练图像中提取可解释特征并生成具有物理意义的虚拟图像。我们的 AISEL 方法随后高效采样虚拟图像，不仅进一步利用不确定区域，还探索整个图像空间。我们接着从理论与实验两方面讨论 GIN 的可解释性，展示相较基准的明显视觉改进。最后，我们在主动脉瓣狭窄应用上验证了 AISEL 框架的有效性，其中我们的方法将标注成本降低 的同时取得了 的预测精度提升。
引用
@article{arxiv.1902.01522,
title = {Active Image Synthesis for Efficient Labeling},
author = {Jialei Chen and Yujia Xie and Kan Wang and Chuck Zhang and Mani A. Vannan and Ben Wang and Zhen Qian},
journal= {arXiv preprint arXiv:1902.01522},
year = {2021}
}