MyriadAL：面向组织病理学的主动少样本学习
计算机视觉与模式识别
2024-04-26 v2
摘要
主动学习（AL）与少样本学习（FSL）是两种标签高效的方法，近期均取得了优异结果。然而，这两种学习范式中的多数已有工作都未能挖掘海量无标签数据的价值。在本研究中，我们针对标注预算极为有限但目标任务存在大量无标签数据的场景解决此问题。我们将该工作置于组织病理学背景下，其中标注成本极其高昂。为此，我们引入了一种主动少样本学习框架——Myriad 主动学习（MAL），包含对比学习编码器、伪标签生成以及循环中的新颖查询样本选择。具体而言，我们提出以自监督方式利用无标签数据，所获得的数据表示与聚类知识构成激活 AL 循环的基础。在每轮 AL 中来自 oracle 的反馈下，无标签数据的伪标签通过在编码器之上优化浅层任务特定网络得以精炼。这些更新后的伪标签用于告知并改进主动学习查询选择过程。此外，我们提出了一种结合现有不确定性度量并利用完整不确定性列表以降低 AL 中样本冗余的新方案。在两个公开组织病理学数据集上的大量实验表明，与已有工作相比，MAL 具有更优的测试精度、宏 F1 分数与标签效率，且仅标注数据集的 5% 即可达到与全监督算法相当的测试精度。
引用
@article{arxiv.2310.16161,
title = {MyriadAL: Active Few Shot Learning for Histopathology},
author = {Nico Schiavone and Jingyi Wang and Shuangzhi Li and Roger Zemp and Xingyu Li},
journal= {arXiv preprint arXiv:2310.16161},
year = {2024}
}
备注
Accepted to IEEE CAI 2024. 8 pages, 2 figures. Code available at: https://github.com/mesophil/MyriadAL