一种降低皮肤病变分析标注成本的主动学习途径
计算机视觉与模式识别
2019-09-06 v1 机器学习
图像与视频处理
机器学习
摘要
自动化皮肤病变分析在临床实践中极为关键，因为皮肤癌是人类最常见的恶性肿瘤之一。现有的深度学习方法在这一具挑战性的任务上取得了卓越性能，但严重依赖大规模标注数据集。本文提出一种新颖的主动学习框架，用于高性价比的皮肤病变分析。目标是有效筛选并利用远更少的有标注样本，而网络仍能达到最先进的性能。我们的样本选择准则互补地同时考虑信息量与代表性，二者派生自度量模型确定性与覆盖样本多样性的解耦方面。为明智地利用所选样本，我们进一步设计了一种简洁而有效的策略，在像素空间聚合类内图像，作为一种新形式的数据增强。我们在 ISIC 2017 皮肤病变分类挑战赛的数据上针对两项任务验证所提方法。仅使用至多 50% 的样本，我们的方法在两项任务上均可达到最先进的性能，其精度与全数据训练相当或超越，并以较大优势优于其他知名主动学习方法。
引用
@article{arxiv.1909.02344,
title = {An Active Learning Approach for Reducing Annotation Cost in Skin Lesion Analysis},
author = {Xueying Shi and Qi Dou and Cheng Xue and Jing Qin and Hao Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1909.02344},
year = {2019}
}
备注
Accepted by MIML2019