CVPR2017-如何在无标签数据集上训练模型

论文：Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis： Actively and Incrementally
论文链接:http://openaccess.thecvf.com/content_cvpr_2017/papers/Zhou_Fine-Tuning_Convolutional_Neural_CVPR_2017_paper.pdf

这是CVPR2017的文章。你可以想象一个预训练模型，在一个空的带标签的图像数据集上做分类吗？这就是这篇文章要做的事。fine-tuning在深度学习中太常见了，现在比如做图像分类或检测基本都用到，主要是因为模型的初始化对最后的结果影响太大。传统的fine-tuning都是在一个固定的数据集上继续训练一个预训练的模型，但是本文的fine-tuning从一个空的带标签数据集开始，然后不断将部分未标注数据进行标注并填充到带标签数据集中并继续训练模型。这种算法主要就是解决带标注的医疗图像数据量少的问题，因为这个模型可以通过给未标注图像进行标注然后加入到数据集中继续训练模型。

先来看看文章的几个创新点：

说起来其实非常简单，归结如下：通过不断增加标注的图像数据集来训练模型；自动处理在data augumentation过程中生成的噪音patch；定义了评价标准来评价哪些未标注的图像值得我标注。这些创新点接下来都会详细讲解。

文章的核心算法如下Algorithm1所示：