分布式弱监督下的学习
计算机视觉与模式识别
2016-06-06 v1
摘要
训练数据的可用性是医学图像分析方法中经常遇到的瓶颈。虽然训练数据通常由临床专家评定者建立，但采集影像数据的增加使得传统的像素级分割变得不太可行。本文探讨了利用众包平台分发超像素弱标注任务，并从非专家评定者群体中收集此类标注。这些众包标注随后被用于训练一个全卷积神经网络，以解决 T2 加权 MR 图像中的胎儿大脑分割问题。通过这种方法，我们报告了与高度定向、全监督方法相比令人鼓舞的结果，并可能解决一个阻碍图像分析研究的常见问题。
引用
@article{arxiv.1606.01100,
title = {Learning under Distributed Weak Supervision},
author = {Martin Rajchl and Matthew C. H. Lee and Franklin Schrans and Alice Davidson and Jonathan Passerat-Palmbach and Giacomo Tarroni and Amir Alansary and Ozan Oktay and Bernhard Kainz and Daniel Rueckert},
journal= {arXiv preprint arXiv:1606.01100},
year = {2016}
}