TCuPGAN:一种为优化公民科学中人-机交互而开发的新型框架
人机交互
2023-11-27 v1 计算机视觉与模式识别
机器学习
摘要
在科研大数据时代,有必要借助精密机器工具来减少人工标注与分类大型数据集的工作量。为解决此问题,我们提出了一种新颖的通用三维分割模型,利用块级对抗性与长短期记忆(LSTM)来编码序列信息。将该模型与 Zooniverse 平台上使用三维数据集(图像立方体)的公民科学项目结合,我们提出了一种迭代式人-机优化框架,其中志愿者仅观看这些立方体的一小部分二维切片。我们利用模型中的块级判别器来估计这些图像立方体内哪些切片具有较差泛化特征表示及相应较差的机器性能。这些带对应机器提议的图像将呈现给 Zooniverse 上的志愿者进行修正,从而大幅减少公民科学项目中的志愿者工作量。我们在约 2300 张肝组织三维电子显微图像上训练了模型。这些图像中的脂滴通过 `Etch A Cell - Fat Checker' 公民科学项目(托管于 Zooniverse 平台)上的人为标注进行分割。本工作中我们展示了该框架及选择方法,其使志愿者工作量实测减少逾 60%。我们设想此类人机协作模式在未来 Zooniverse 项目中极有价值。
引用
@article{arxiv.2311.14177,
title = {TCuPGAN: A novel framework developed for optimizing human-machine interactions in citizen science},
author = {Ramanakumar Sankar and Kameswara Mantha and Lucy Fortson and Helen Spiers and Thomas Pengo and Douglas Mashek and Myat Mo and Mark Sanders and Trace Christensen and Jeffrey Salisbury and Laura Trouille},
journal= {arXiv preprint arXiv:2311.14177},
year = {2023}
}
备注
5 pages, 1 figure, accepted for publication at HLDM '23 (ECML PKDD 2023 workshop)