Active Learning
文章平均质量分 88
xiongxyowo
这个作者很懒,什么都没留下…
展开
-
[论文阅读] Labeling Cost Sensitive Batch Active Learning For Brain Tumor Segmentation
在过去的十年中,深度学习方法在医学图像分割任务中取得了最先进的成果。然而,获得足够的标记数据的困难可能是一个瓶颈。为此,我们设计了一个专门适用于脑瘤分割的新型主动学习框架。我们的方法包括一个新颖的标注成本,旨在捕捉放射科医生的实际标注成本。这与两个获取函数相结合,以纳入不确定性和代表性信息,确保主动学习选择信息丰富和多样化的数据。由此产生的程序是一个受限的组合优化问题。我们为这一任务提出了一种有效的算法,并展示了所提出的方法在分割脑部MRI数据方面的优势。原创 2022-09-09 13:19:43 · 306 阅读 · 0 评论 -
[论文阅读] BoostMIS: Boosting Medical Image Semi-supervised Learning with Adaptive Pseudo Labeling
[论文地址] [代码] [CVPR 22]部分描述可能不准确,详见本文评论区在本文中,我们提出了一个名为BoostMIS的新型半监督学习(SSL)框架,它结合了自适应伪标签和信息性主动注释,以释放医学图像SSL模型的潜力:(1)BoostMIS可以根据当前的学习状态,自适应地利用集群假设和未标记数据的一致性规范化。这一策略可以自适应地生成由任务模型预测转换而来的单次 "硬 "标签,以更好地进行任务模型训练。(2) 对于未选择的低置信度的未标记图像,我们引入主动学习(AL)算法,通过利用虚拟对抗扰动和模型的密原创 2022-05-27 16:49:41 · 1231 阅读 · 6 评论 -
[论文翻译] Active Learning for Open-set Annotation
翻译 2022-04-27 14:53:24 · 497 阅读 · 1 评论 -
[论文阅读] Active Class Incremental Learning for Imbalanced Datasets
论文地址:https://arxiv.org/abs/2008.10968发表于:ECCV 20 WorkshopAbstract增量学习(IL)使人工智能系统能够适应流式数据。大多数现有的算法提出了两个强有力的假设,降低了增量方案的现实性:(1)假设新数据在流式传输时很容易被标注;(2)用平衡的数据集进行测试,而大多数现实生活中的数据集是不平衡的。这些假设被摒弃了,由此产生的挑战将通过主动学习和不平衡学习的结合来解决。我们引入了解决不平衡问题并与增量学习约束兼容的样本获取函数。我们还将增量学习视为一原创 2022-04-21 10:49:45 · 1172 阅读 · 0 评论 -
[论文翻译] Active Learning by Feature Mixing
论文地址:https://arxiv.org/abs/2203.07034代码:https://github.com/aminparvaneh/alpha_mix_active_learning发表于:CVPR 22这里只对方法部分进行翻译III. MethodologyA. Problem Definition在不失一般性的情况下,我们认为我们的学习目标是训练一个有监督的多类分类问题,有KKK个类。一个学习者在与专家的交互迭代中被主动训练。在每个迭代中,这个主动学习者可以访问一小部分标记数据D翻译 2022-04-13 16:52:25 · 540 阅读 · 1 评论 -
主动领域自适应(Active Domain Adaptation)部分经典论文汇总
只简单找了一小部分CVPR[link] [code] [TQS] [21]Transferable Query Selection for Active Domain Adaptation[link] [code] [SDM] [22]Learning Distinctive Margin toward Active Domain AdaptationICCV[link] [code] [CLUE] [21]Active Domain Adaptation via Cl.原创 2022-04-07 15:35:31 · 3863 阅读 · 0 评论 -
[论文阅读] Multiple Instance Active Learning for Object Detection
论文地址:https://openaccess.thecvf.com/content/CVPR2021/html/Yuan_Multiple_Instance_Active_Learning_for_Object_Detection_CVPR_2021_paper.html代码:https://github.com/yuantn/MI-AOD发表于:CVPR 21Abstract尽管主动学习在图像识别方面取得了很大的进展,但仍然缺乏一种专门用于目标检测的实例级主动学习方法。在本文中,我们提出了多实例原创 2022-03-16 16:58:22 · 2938 阅读 · 0 评论 -
[论文阅读] Active Learning for Deep Object Detection via Probabilistic Modeling
论文地址:https://openaccess.thecvf.com/content/ICCV2021/html/Choi_Active_Learning_for_Deep_Object_Detection_via_Probabilistic_Modeling_ICCV_2021_paper.html代码:https://github.com/NVlabs/AL-MDN发表于:ICCV 21Abstract主动学习的目的是通过在数据集上只选择信息量最大的样本来降低标注成本。现有的工作很少有涉及目标检原创 2022-03-16 11:12:29 · 1574 阅读 · 0 评论 -
[论文阅读] State-Relabeling Adversarial Active Learning
论文地址:https://arxiv.org/abs/2004.04943代码:https://github.com/Beichen1996/SRAAL发表于:CVPR’20Abstract主动学习是通过对最有代表性的样本进行采样来设计标签高效的算法,由一个专家来标注。在本文中,我们提出了一个状态重标注对抗性主动学习模型(SRAAL),它利用注释和已标注/未标注的状态信息来获得信息量最大的未标注样本。SRAAL由一个表示生成器和一个状态判别器组成。生成器使用互补的注释信息和传统的重建信息来生成样本的原创 2022-03-14 15:22:36 · 2571 阅读 · 1 评论 -
[论文阅读] Active Image Segmentation Propagation
论文地址:https://openaccess.thecvf.com/content_cvpr_2016/html/Jain_Active_Image_Segmentation_CVPR_2016_paper.html发表于:CVPR’16Abstract我们提出了一种半自动的方法来获得大量相关图像的前景对象mask。我们开发了一种分阶段的主动传播方法:在每个阶段,我们主动确定对人类标注最有价值的图像,然后相应地修改所有未标记的图像中的前景估计。为了确定那些一旦被标注就会很好地传播到其他样本的图像,我原创 2021-12-19 18:22:15 · 196 阅读 · 0 评论 -
[论文阅读] Nearest Neighbor Classifier Embedded Network for Active Learning
论文地址:https://www.aaai.org/AAAI21Papers/AAAI-39.WanF.pdf代码:https://github.com/WanFang13/NCE-Net发表于:AAAI’21Abstract深度神经网络(DNN)已被广泛地应用于主动学习。尽管它很有效,但当标记集和未标记集之间存在明显的分布偏差时,判别性分类器(softmax分类器)的泛化能力是值得怀疑的。当标记集和未标记集之间存在明显的分布偏差时,判别性分类器(softmax分类器)的泛化能力值得怀疑。在本文中,原创 2021-11-26 15:20:36 · 2520 阅读 · 0 评论 -
[论文阅读] Cost-Effective Active Learning for Deep Image Classification
2021.11.24 施工中论文地址:https://arxiv.org/abs/1701.03551发表于:TCSVT’16Abstract最近在基于学习的图像分类方面取得的成功,在很大程度上依赖于大量的标注训练样本,这可能需要大量的人力。在本文中,我们提出了一个新的主动学习框架,它能够通过有限的标记训练实例,以增量学习的方式,建立一个具有竞争力的具有最佳特征表示的分类器。我们的方法在两个方面推进了现有的主动学习方法。首先,我们将深度卷积神经网络纳入主动学习中。通过合理设计的框架,特征表示和分类器原创 2021-11-25 12:33:48 · 1095 阅读 · 0 评论 -
[论文阅读] Learning Loss for Active Learning
论文地址:https://arxiv.org/abs/1905.03677发表于:CVPR’19Abstract深度神经网络的性能随着更多的标注数据而提高。问题是用于标注的预算是有限的。解决这个问题的方法之一是主动学习,即模型要求人工对其认为不确定的数据进行标注。最近提出了多种方法来将主动学习应用于深度网络,但其中大多数方法要么是针对其目标任务设计的,要么是对大型网络来说计算效率低下。在本文中,我们提出了一种新的主动学习方法,这种方法简单并且与任务无关,还能有效地与深度网络一起工作。我们在目标网络上附原创 2021-10-26 18:34:40 · 564 阅读 · 1 评论 -
[论文阅读] Cost-Effective REgion-based Active Learning for Semantic Segmentation
论文地址:https://arxiv.org/abs/1810.09726发表于:BMVC’18Abstract最先进的语义分割方法在有监督的情况下使用大量的标注训练图像语料库进行训练。然而,与收集未标注的数据相比,收集这样的语料库是很昂贵的,因为需要人为的标注工作。我们提出了一个基于主动学习的策略,称为CEREALS,在这个策略中,人类只需要在未标记的图像语料库中手工标注一些自动选择的区域。这最大限度地减少了人类的标注工作,同时使语义图像分割方法的性能最大化。自动选择程序是通过以下方式实现的:a)使原创 2021-09-27 12:50:48 · 387 阅读 · 0 评论 -
[论文阅读] Variational Adversarial Active Learning
论文地址:https://arxiv.org/abs/1904.00370代码:https://github.com/sinhasam/vaal发表于:ICCV’19Abstract主动学习的目的是通过对最有代表性的查询进行采样,由专家进行标注,从而开发出高效标签的算法。我们描述了一种基于池的半监督主动学习算法,它以对抗的方式隐式地学习了这种采样机制。与传统的主动学习算法不同,我们的方法是与任务无关的,也就是说,它不依赖于我们试图获取标注数据的任务的性能。我们的方法使用变分自编码器(VAE)和训练好原创 2021-09-26 20:19:53 · 1882 阅读 · 0 评论 -
[论文阅读] Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation
论文地址:https://arxiv.org/abs/1706.04737发表于:MICCAI’17Abstract图像分割是生物医学图像分析的一个基本问题。深度学习的最新进展在许多生物医学图像分割的基准上取得了可喜的成果。然而,由于生物医学图像的巨大变化(不同的模态、图像设置、对象、噪声等),要在一个新的应用上利用深度学习,通常需要一组新的训练数据。这可能会产生大量的标注工作和成本,因为只有生物医学专家才能有效地进行标注,而图像中往往有太多的实例(如细胞)需要进行标注。在本文中,我们的目标是解决以下原创 2021-09-24 12:03:58 · 350 阅读 · 0 评论 -
主动学习(Active Learning)领域部分经典论文汇总
只简单找了一小部分[link] Cost-Effective Active Learning for Deep Image ClassificationTCSVT 16 classification cost effective[link] Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image SegmentationMICCAI 17 segmentation[link] Atte.原创 2021-11-03 15:04:37 · 2811 阅读 · 0 评论 -
[论文阅读] Annotation-Efficient Cell Counting
论文地址:https://doi.org/10.1007/978-3-030-87237-3_39代码:https://github.com/cvbmi-research/AnnotationEfficient-CellCounting发表于:MICCAI 21Abstract最近深度学习的进展在显微镜细胞计数任务上取得了令人印象深刻的结果。深度学习模型的成功通常需要足够的训练数据与人工注释,这可能是耗时且昂贵的。在本文中,我们提出了一种标注高效的细胞计数方法,将细胞计数网络注入到主动学习框架中。通原创 2022-01-14 21:52:42 · 2438 阅读 · 0 评论