【论文笔记】Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation

一 概述

1.本文研究的问题为：

    在有限的标注工作中，哪些样例应当被标注，以此可以实现最好的识别效果。

2.解决方法：

    设计了 一种结合了FCN和主动学习的深度主动学习框架 ，通过在最有效的注释区域提出有判断力的建议，来显著减少注释工作量。

    文章使用FCN产生的不确定性和相似性信息，组成最大集覆盖问题的广义版本，来决定最具代表性和不确定性的区域来注释。

    选择 主动学习，是由于主动学习允许学习模型选择训练集， 去主动学习那些比较[ 难的][信息量大的] 样本（hard mining）。关键点是每次都挑当前分类器分类效果不理想的那些样本（hard sample）给它训练，假设是训练这部分hard sample 对于提升分类器效果最有效而快速。但是主动学习需要预先训练好的