在乳腺超声图像中逐步应用弱监督与主动学习进行肿块检测
计算机视觉与模式识别
2020-08-20 v1 机器学习
图像与视频处理
摘要
我们提出一种在乳腺超声图像目标检测任务中有效利用弱标注图像数据的方法。给定一个小规模强标注数据集和一个无边界框信息的大规模弱标注数据集的问题设定，训练一个目标检测模型成为一个非平凡的问题。我们提出在两级目标检测模型中用受控权重来处理弱标注图像的影响。我们还提出一种后续的主动学习方案，用于利用训练好的模型安全地为弱标注图像分配强标注。实验结果显示，通过分配适当受控的权重，正确定位（CorLoc）度量（即正确定位并分类的图像比例）提高了24个百分点。在模型训练后执行主动学习显示出CorLoc的额外提升。我们在Stanford Dog数据集上测试了所提方法，以确认其可应用于强标注不足以获得类似结果的一般情况。所提方法表明以更少的标注工作量可实现更高的性能。
引用
@article{arxiv.2008.08416,
title = {Gradually Applying Weakly Supervised and Active Learning for Mass Detection in Breast Ultrasound Images},
author = {JooYeol Yun and JungWoo Oh and IlDong Yun},
journal= {arXiv preprint arXiv:2008.08416},
year = {2020}
}