基于测试时增强的主动学习与自训练用于低标注成本分割
计算机视觉与模式识别
2023-08-22 v1 机器学习
摘要
深度学习技术依赖于大型数据集，其标注工作耗时费力。为减轻标注负担，自训练（ST）与主动学习（AL）方法已被提出，亦有将二者以迭代方式结合的方法。然而，尚不清楚每种方法在何时最为有效，以及何时将二者结合最为有利。本文提出一种利用测试时增强（TTA）将ST与AL相结合的新方法。首先，在初始教师网络上执行TTA；然后，基于估计Dice分数最低来筛选待标注样本，估计分数较高的样本则用作ST的软伪标签。所选标注样本与已有标注样本及具有边界切片标注的ST样本共同训练。我们在具有不同数据变异性特征的MRI胎儿身体与胎盘分割任务上验证了该方法。结果表明，ST对两项任务均极为有效，提升了分布内（ID）与分布外（OOD）数据的性能。然而，尽管自训练与AL结合改善了单序列胎儿身体分割的性能，却在ID数据上轻微损害了多序列胎盘分割的表现。AL对高变异性胎盘数据有帮助，但对单序列身体数据并未优于随机筛选。对于胎儿身体分割的序列迁移，在ST迭代后结合AL与ST，仅用6个原始扫描与2个新序列扫描即取得0.961的Dice。仅用15个高变异性胎盘样本的结果与用50个样本相近。代码见：https://github.com/Bella31/TTA-quality-estimation-ST-AL
引用
@article{arxiv.2308.10727,
title = {Test-time augmentation-based active learning and self-training for label-efficient segmentation},
author = {Bella Specktor-Fadida and Anna Levchakov and Dana Schonberger and Liat Ben-Sira and Dafna Ben-Bashat and Leo Joskowicz},
journal= {arXiv preprint arXiv:2308.10727},
year = {2023}
}
备注
Accepted to MICCAI MILLanD workshop 2023