面向多类图像分类的深度强化主动学习

高精度医学图像分类可能受限于获取更多数据的成本以及标注现有图像所需的时间与专业知识。本文中，我们将主动学习应用于医学图像分类，该方法旨在从更大规模数据池中选取最小子集以最大化模型性能。我们提出一种基于深度强化学习的新主动学习框架，以学习主动学习查询策略，基于卷积神经网络的预测对图像进行标注。我们的框架修改了深度 Q 网络公式，使我们还能依据分类器隐空间中的几何论证选取数据，从而在基于批次的主动学习设定中实现高精度的多类分类，使智能体能够标注既具多样性又最不确定的数据点。我们将框架应用于两个医学成像数据集，并与标准查询策略以及最新的基于强化学习的图像分类主动学习方法进行比较。