面向内窥镜图像分析的任务感知主动学习
计算机视觉与模式识别
2022-04-08 v1
摘要
息肉的语义分割与深度估计是内窥镜图像分析中的两个重要研究问题。开展这些研究的主要障碍之一是缺乏标注数据。内窥镜标注需要内镜专家的专业知识，因此组织起来困难、昂贵且耗时。为解决这一问题，我们探索了一种主动学习范式，通过为所考虑的任务选择最具判别力和多样性的未标注样本，来减少训练样本的数量。现有的大多数主动学习流程本质上是任务无关的，对最终任务往往并非最优。本文提出了一种新颖的任务感知主动学习流程，并将其应用于内窥镜图像分析中的两个重要任务：语义分割和深度估计。我们将所提方法与有竞争力的基线方法进行了比较。实验结果表明，相较于对比基线，我们观察到了显著的改进。代码可在 https://github.com/thetna/endo-active-learn 获取。
引用
@article{arxiv.2204.03440,
title = {Task-Aware Active Learning for Endoscopic Image Analysis},
author = {Shrawan Kumar Thapa and Pranav Poudel and Binod Bhattarai and Danail Stoyanov},
journal= {arXiv preprint arXiv:2204.03440},
year = {2022}
}