主动学习用于图像分割中的不确定性估计探讨
计算机视觉与模式识别
2020-07-14 v1 机器学习
摘要
不确定性估计在许多应用中对于解释机器学习模型的可信度十分重要。这在数据驱动的主动学习场景中尤为关键，其目标是以最小的标注代价达到一定的精度。在此类设置中，模型基于其估计的不确定性，学习选择信息量最大的未标注样本进行标注。高度不确定的预测被认为对提升模型性能更具信息量。本文中，我们探索了面向医学图像分割的主动学习框架内的不确定性校准，该领域标注通常稀缺。我们研究了多种不确定性估计方法与采集策略（区域与整图）。我们观察到，选择区域而非整图进行标注可得到校准更好的模型。此外，我们通过实验表明，与标注整图相比，标注区域可减少人类需标注像素的 50%。
引用
@article{arxiv.2007.06364,
title = {On uncertainty estimation in active learning for image segmentation},
author = {Bo Li and Tommy Sonne Alstrøm},
journal= {arXiv preprint arXiv:2007.06364},
year = {2020}
}
备注
Presented at ICML 2020 Workshop on Uncertainty & Robustness in Deep Learning