基于迭代深度学习并有人工参与的无偏立体学方法
计算机视觉与模式识别
2019-01-15 v1 机器学习
摘要
当人工标注（标记）易出错、昂贵、繁琐且耗时，缺乏足够的标注数据是构建基于机器学习的模型时的一大难题。本文引入一种基于迭代深度学习的方法，以改进基于应用于扩展景深（EDF）图像感兴趣区的无偏立体学的细胞分割与计数。该方法使用一种称为自适应分割算法（ASA）的现有机器学习算法为 EDF 图像生成掩膜（由用户验证）以训练深度学习模型。随后采用迭代深度学习方式，将新预测并被接受（由用户验证）的深度学习掩膜/图像加入深度学习模型的训练集。经过 5 次迭代的基于迭代深度学习的无偏立体学流程后，在未见测试集上的无偏立体学细胞计数错误率从约 3% 降至低于 1%。
引用
@article{arxiv.1901.04355,
title = {Iterative Deep Learning Based Unbiased Stereology With Human-in-the-Loop},
author = {Saeed S. Alahmari and Dmitry Goldgof and Lawrence O. Hall and Palak Dave and Hady Ahmady Phoulady and Peter R. Mouton},
journal= {arXiv preprint arXiv:1901.04355},
year = {2019}
}
备注
Accepted by ICMLA18 conference