論文の概要: Confident Coreset for Active Learning in Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2004.02200v1
- Date: Sun, 5 Apr 2020 13:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 12:17:12.943859
- Title: Confident Coreset for Active Learning in Medical Image Analysis
- Title(参考訳): 医用画像解析におけるアクティブラーニングのための信頼コアセット
- Authors: Seong Tae Kim, Farrukh Mushtaq, Nassir Navab
- Abstract要約: 本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
- 参考スコア(独自算出の注目度): 57.436224561482966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in deep learning have resulted in great successes in various
applications. Although semi-supervised or unsupervised learning methods have
been widely investigated, the performance of deep neural networks highly
depends on the annotated data. The problem is that the budget for annotation is
usually limited due to the annotation time and expensive annotation cost in
medical data. Active learning is one of the solutions to this problem where an
active learner is designed to indicate which samples need to be annotated to
effectively train a target model. In this paper, we propose a novel active
learning method, confident coreset, which considers both uncertainty and
distribution for effectively selecting informative samples. By comparative
experiments on two medical image analysis tasks, we show that our method
outperforms other active learning methods.
- Abstract(参考訳): ディープラーニングの最近の進歩は、様々なアプリケーションで大きな成功を収めた。
半教師付き学習法や教師なし学習法は広く研究されているが、深層ニューラルネットワークの性能は注釈付きデータに大きく依存している。
問題は、医用データに要する注釈時間と高価な注釈コストのため、通常はアノテーションの予算が限られていることである。
アクティブラーニングは、アクティブラーナがターゲットモデルを効果的にトレーニングするためにどのサンプルに注釈を付ける必要があるかを示すように設計された、この問題の解決策の1つである。
本稿では,情報サンプルを効果的に選択するための不確かさと分布を考慮した,新しいアクティブラーニング手法であるssumence coresetを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
関連論文リスト
- Integrating Deep Metric Learning with Coreset for Active Learning in 3D Segmentation [36.24328763901216]
本稿では,Coresetの3次元医用セグメンテーションにおけるスライスに基づくアクティブラーニングを実現するための,新しい計量学習手法を提案する。
4つのデータセットにまたがる弱いアノテーションと完全なアノテーションを使って包括的な評価を行う。
論文 参考訳(メタデータ) (2024-11-24T09:23:07Z) - A comprehensive survey on deep active learning in medical image analysis [23.849628978883707]
深層学習は医用画像解析において広く成功し、大規模な専門家による医用画像データセットの需要が高まっている。
しかし、医用画像に注釈をつける高コストは、この分野での深層学習の発展を著しく妨げている。
アノテーションのコストを削減するため、アクティブラーニングは、アノテーションの最も有益なサンプルを選択し、できるだけ少ないラベル付きサンプルで高性能モデルを訓練することを目的としている。
論文 参考訳(メタデータ) (2023-10-22T08:46:40Z) - Data Efficient Contrastive Learning in Histopathology using Active Sampling [0.0]
ディープラーニングアルゴリズムは、デジタル病理学において堅牢な定量的分析を提供することができる。
これらのアルゴリズムは大量の注釈付きトレーニングデータを必要とする。
アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。
そこで本研究では,小規模なプロキシネットワークを用いたトレーニングセットから情報的メンバを積極的に抽出する手法を提案する。
論文 参考訳(メタデータ) (2023-03-28T18:51:22Z) - TAAL: Test-time Augmentation for Active Learning in Medical Image
Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。
以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文 参考訳(メタデータ) (2023-01-16T22:19:41Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳(メタデータ) (2022-02-12T06:10:15Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳(メタデータ) (2021-04-06T22:53:45Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-05T14:15:49Z) - Efficacy of Bayesian Neural Networks in Active Learning [11.609770399591516]
ベイズニューラルネットワークは、アンサンブルに基づく不確実性を捕捉する技術よりも効率的であることを示す。
また,近年,モンテカルロのドロップアウトよりも効果的であることが判明したアンサンブル技法の重要な欠点も明らかにした。
論文 参考訳(メタデータ) (2021-04-02T06:02:11Z) - Bayesian active learning for production, a systematic study and a
reusable library [85.32971950095742]
本稿では,現在のアクティブラーニング技術の主な欠点について分析する。
実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。
部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
論文 参考訳(メタデータ) (2020-06-17T14:51:11Z) - LRTD: Long-Range Temporal Dependency based Active Learning for Surgical
Workflow Recognition [67.86810761677403]
本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。
具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。
手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
論文 参考訳(メタデータ) (2020-04-21T09:21:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。