User Loss——一种受强迫选择实验启发的、通过用户交互直接训练神经网络的方法

在本文中，我们研究是否有可能直接从用户输入训练神经网络。我们认为这种方法对于最优性点定义不明确且依赖于用户的应用高度相关。我们的应用是医学图像去噪，这在荧光透视成像中至关重要。在该领域中，每个用户（即医师）都有不同的偏好，图像质量需要针对每个个体进行调整。为解决这一重要问题，我们提出构建一种源自强迫选择实验的损失函数。为使学习问题可行，我们在精度学习（precision learning）领域内操作，即以传统信号处理方法启发网络架构，以减少可训练参数的数量。为此使用的算法是一个仅含六个可训练参数的拉普拉斯金字塔。在实验结果中，我们证明了可以使用我们的方法创建两位偏好锐度与去噪之间不同滤波特性的图像专家。并且为特定用户训练的模型在该用户的测试数据上表现最佳。该方法为在深度学习中实现直接用户反馈开辟了道路，并适用于广泛的应用。