用于医学图像分析主动学习的置信核心集

深度学习的近期进展在各种应用中取得了巨大成功。尽管半监督或无监督学习方法已被广泛研究，深度神经网络的性能高度依赖于标注数据。问题在于，由于医学数据标注耗时且成本高昂，标注预算通常有限。主动学习是解决该问题的方案之一，其中主动学习器被设计用于指示哪些样本需要标注以有效训练目标模型。本文提出一种新颖的主动学习方法——置信核心集（confident coreset），它同时考虑不确定性和分布以有效选择信息丰富的样本。通过在两个医学图像分析任务上的对比实验，我们表明该方法优于其他主动学习方法。