基于主动学习的电子显微镜图像低成本分割
计算机视觉与模式识别
2019-11-14 v1
摘要
在过去十年中，电子显微镜的性能已提升至仅需数小时即可生成千兆体素级高质量数据集。然而，自动化图像分析尤其是图像分割的发展并未同步。尽管 U-Net 和 DeepLab 等最先进方法大幅提升了分割性能，但所需的标注量仍过于昂贵。主动学习是机器学习的一个子领域，旨在通过智能选择需标注的样本来减轻这一负担。已有许多技术被提出，特别是针对图像分类，以提高学习曲线的陡峭程度。在本工作中，我们将这些技术扩展至基于深度 CNN 的图像分割。我们在三个不同的电子显微镜数据集上的实验表明，与标准随机采样相比，主动学习在 Jaccard 分数上可将分割质量提升 10% 至 15%。
引用
@article{arxiv.1911.05548,
title = {Cost-efficient segmentation of electron microscopy images using active learning},
author = {Joris Roels and Yvan Saeys},
journal= {arXiv preprint arXiv:1911.05548},
year = {2019}
}