基于代理标签与半监督微调筛选的预热启动主动学习
计算机视觉与模式识别
2022-09-15 v1
摘要
在构建用于深度学习的医学影像数据集时，下一步标注哪些数据量是一个具有挑战性的问题。主动学习（AL）是解决该问题的一个有前景的方法。然而，就哪种 AL 算法和采集函数对哪些数据集最有用来讲，AL 一直是个难题。此外，当初始没有任何标注数据时，首先应标注哪些数据量使问题更加严峻。这被称为 AL 中的冷启动问题。我们针对 3D 图像分割提出了两种新颖的 AL 策略。首先，我们通过提出一个代理任务来解决冷启动问题，然后利用该代理任务产生的不确定性对未标注数据进行排序以进行标注。其次，我们为每个主动迭代设计了一个两阶段学习框架，其中未标注数据在第二阶段被用作半监督微调策略。我们在来自医学分割十项全能的两个知名大型公开数据集上展示了我们方法的前景。结果表明，数据的初始选择和半监督框架均对多种 AL 策略显示出显著改进。
引用
@article{arxiv.2209.06285,
title = {Warm Start Active Learning with Proxy Labels \& Selection via Semi-Supervised Fine-Tuning},
author = {Vishwesh Nath and Dong Yang and Holger R. Roth and Daguang Xu},
journal= {arXiv preprint arXiv:2209.06285},
year = {2022}
}
备注
12 pages, 5 figures