面向稀缺图像数据的 MLOps：显微图像分析中的用例
机器学习
2023-10-05 v2 计算机视觉与模式识别
图像与视频处理
摘要
如今，机器学习（ML）正经历前所未有的巨大 popularity。ML 模型的运维由一组称为机器学习运维（MLOps）的概念与方法所规范。然而，研究人员与从业者往往更关注自动化方面，而忽视 MLOps 的持续部署与监控方面。这导致缺乏从生产到开发的反馈流中的持续学习，因概念漂移引起模型随时间意外退化，尤其在面对稀缺数据时。本工作探索 MLOps 在稀缺数据分析中的完整应用。本文提出一种增强生物医学图像分析的整体新方法。我们的方法包括：使能针对当前图像分析任务选择最佳模型、数据集与模型开发策略的指纹识别过程；自动化模型开发阶段；以及确保持续学习的持续部署与监控过程。作为初步结果，我们在显微图像数据集上进行了指纹识别的概念验证。
引用
@article{arxiv.2309.15521,
title = {MLOps for Scarce Image Data: A Use Case in Microscopic Image Analysis},
author = {Angelo Yamachui Sitcheu and Nils Friederich and Simon Baeuerle and Oliver Neumann and Markus Reischl and Ralf Mikut},
journal= {arXiv preprint arXiv:2309.15521},
year = {2023}
}
备注
21 pages, 5 figures , 33. Workshop on Computational Intelligence Berlin Germany