从脂肪液滴到漂浮森林：基于 PatchGAN 的分割模型的跨域迁移学习
机器学习
2022-11-09 v1 计算机视觉与模式识别
摘要
许多科学领域通过 Zooniverse.org 公民科学平台提供的人机协同技术收集足够标签来训练机器学习算法。随着项目范围、任务类型和数据速率的增加，加速模型训练以将志愿者精力集中于最需之处至关重要。在 Zooniverse 项目间应用迁移学习（TL）作为一种解决方案大有前景。然而，理解在大规模通用图像集上预训练的 TL 方法与可能来自相似任务的相似特征图像上的 TL 方法的有效性仍是一项开放挑战。我们在两个基于 Zooniverse 项目的数据集上应用生成式分割模型：（1）识别肝细胞中的脂肪液滴（FatChecker；FC）；（2）通过从第一个项目迁移学习识别卫星图像中的海藻床（Floating Forests；FF）。我们将其性能与基于 COCO 图像集的 TL 模型进行比较，随后再与基线对应模型对比。我们发现，当使用超过 75% 的原始训练样本量时，FC 和 COCO 的 TL 模型均优于基线情况。基于 COCO 的 TL 模型通常优于基于 FC 的模型，可能因其具有泛化特征。我们的研究为在不同 Zooniverse 项目上托管的多域数据使用 TL 方法提供了重要见解，使未来项目能够加速任务完成。
引用
@article{arxiv.2211.03937,
title = {From fat droplets to floating forests: cross-domain transfer learning using a PatchGAN-based segmentation model},
author = {Kameswara Bharadwaj Mantha and Ramanakumar Sankar and Yuping Zheng and Lucy Fortson and Thomas Pengo and Douglas Mashek and Mark Sanders and Trace Christensen and Jeffrey Salisbury and Laura Trouille and Jarrett E. K. Byrnes and Isaac Rosenthal and Henry Houskeeper and Kyle Cavanaugh},
journal= {arXiv preprint arXiv:2211.03937},
year = {2022}
}
备注
5 pages, 4 figures, accepted for publication at the Proceedings of the ACM/CIKM 2022 (Human-in-the-loop Data Curation Workshop)