高效表示与主动学习框架及其在不平衡医学图像分类中的应用
计算机视觉与模式识别
2022-06-22 v4 机器学习
图像与视频处理
摘要
我们提出了一种高度数据高效的用于图像分类的主动学习框架。我们的新颖框架依次结合了：(1) 卷积神经网络的无监督表示学习，以及 (2) 高斯过程（GP）方法，以实现高度数据和标签高效的分类。此外，由于 (1) 特征是在无标签情况下学习的，以及 (2) GP 的贝叶斯性质，这两个要素对普遍且具有挑战性的类别不平衡问题较不敏感。GP 提供的不确定性估计通过基于不确定性对样本进行排序并选择性地标注不确定性较高的样本来实现主动学习。我们将这一新颖组合应用于严重不平衡的 COVID-19 胸部 X 光分类和 Nerthus 结肠镜分类。我们证明仅需 10% 的标注数据即可达到使用所有可用标签训练所得的准确率。我们还将我们的模型架构和提出的框架应用于更广泛的预期成功的数据集类别。
引用
@article{arxiv.2103.05109,
title = {Highly Efficient Representation and Active Learning Framework and Its Application to Imbalanced Medical Image Classification},
author = {Heng Hao and Hankyu Moon and Sima Didari and Jae Oh Woo and Patrick Bangert},
journal= {arXiv preprint arXiv:2103.05109},
year = {2022}
}
备注
Published in NeurIPs Data-Centric AI workshop