将深度度量学习与核心集集成用于3D分割的主动学习
计算机视觉与模式识别
2024-11-26 v1 机器学习
摘要
深度学习在机器学习领域取得了显著进展，但通常需要大量标注数据。诸如3D语义分割等任务在医学等领域的标注负担尤为沉重，专家标注成本不低。主动学习（AL）有望缓解这一标注负担。然而，大多数现有AL方法并未针对医学领域进行优化。虽然探索了弱监督方法以降低标注负担，但将AL与弱监督融合的研究仍鲜有探索，尽管其潜力巨大。此外，针对3D分割的切片级AL研究也鲜少，有利于较少地采用传统体积级AL。本文引入一种新颖的度量学习方法，用于Coreset执行3D医学分割的切片级主动学习。通过融合对比学习与医学影像中内在数据分组，学习一种强调训练3D医学分割模型所需样本间相关差异的度量。我们在四个数据集（医学和非医学）上进行了全面的评估，包括弱标注和完全标注。我们的发现表明，该方法在弱标注和完全标注上均优于现有主动学习技术，并在标注预算较低时获得更佳性能，这在医学影像中至关重要。本项目的源代码已在补充材料中及GitHub发布：https://github.com/arvindmvepa/al-seg。
引用
@article{arxiv.2411.15763,
title = {Integrating Deep Metric Learning with Coreset for Active Learning in 3D Segmentation},
author = {Arvind Murari Vepa and Zukang Yang and Andrew Choi and Jungseock Joo and Fabien Scalzo and Yizhou Sun},
journal= {arXiv preprint arXiv:2411.15763},
year = {2024}
}
备注
To be published in NeurIPS 2024