論文の概要: Consistency-Based Semi-supervised Evidential Active Learning for
Diagnostic Radiograph Classification
- arxiv url: http://arxiv.org/abs/2209.01858v1
- Date: Mon, 5 Sep 2022 09:28:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:20:15.467605
- Title: Consistency-Based Semi-supervised Evidential Active Learning for
Diagnostic Radiograph Classification
- Title（参考訳）: 診断用ラジオグラフィ分類のための一貫性に基づく半教師付き能動学習
- Authors: Shafa Balaram, Cuong M. Nguyen, Ashraf Kassim, Pavitra Krishnaswamy
- Abstract要約: CSEAL(Consistency-based Semi-supervised Evidential Active Learning)フレームワークについて紹介する。
我々は、証拠理論と主観的論理に基づく予測の不確実性を利用して、エンドツーエンドの統合アプローチを開発する。
本手法は, ラベル付きサンプルを少なくして, より稀な異常の精度を大幅に向上させることができる。
- 参考スコア（独自算出の注目度）: 2.3545156585418328
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning approaches achieve state-of-the-art performance for classifying
radiology images, but rely on large labelled datasets that require
resource-intensive annotation by specialists. Both semi-supervised learning and
active learning can be utilised to mitigate this annotation burden. However,
there is limited work on combining the advantages of semi-supervised and active
learning approaches for multi-label medical image classification. Here, we
introduce a novel Consistency-based Semi-supervised Evidential Active Learning
framework (CSEAL). Specifically, we leverage predictive uncertainty based on
theories of evidence and subjective logic to develop an end-to-end integrated
approach that combines consistency-based semi-supervised learning with
uncertainty-based active learning. We apply our approach to enhance four
leading consistency-based semi-supervised learning methods: Pseudo-labelling,
Virtual Adversarial Training, Mean Teacher and NoTeacher. Extensive evaluations
on multi-label Chest X-Ray classification tasks demonstrate that CSEAL achieves
substantive performance improvements over two leading semi-supervised active
learning baselines. Further, a class-wise breakdown of results shows that our
approach can substantially improve accuracy on rarer abnormalities with fewer
labelled samples.
- Abstract（参考訳）: ディープラーニングアプローチは、放射線画像の分類に最先端のパフォーマンスを実現するが、専門家によるリソース集約アノテーションを必要とする大きなラベル付きデータセットに依存している。
半教師付き学習とアクティブ学習の両方が、このアノテーションの負担を軽減するために利用できる。
しかし,マルチラベル医用画像分類における半教師付き・能動的学習手法の利点を組み合わせる作業は限られている。
本稿では,CSEAL(Consistency-based Semi-supervised Evidential Active Learning)フレームワークを紹介する。
具体的には,エビデンスの理論と主観的論理に基づく予測不確実性を利用して,一貫性に基づく半教師付き学習と不確実性に基づくアクティブ学習を組み合わせたエンドツーエンド統合アプローチを開発する。
提案手法は,Pseudo-labelling,Virtual Adversarial Training,Mean Teacher,NoTeacherの4つの指導的一貫性に基づく半教師付き学習手法に応用する。
マルチラベルチェストX線分類タスクの広範囲な評価は、CSEALが2つの主要な半教師付きアクティブラーニングベースラインに対して実質的な性能向上を達成することを示す。
さらに,本手法は,ラベル付きサンプルが少なく,より稀な異常の精度を大幅に向上させることができることを示す。
関連論文リスト
- Multi-Agent Reinforcement Learning from Human Feedback: Data Coverage and Algorithmic Techniques [65.55451717632317]
我々は,MARLHF(Multi-Agent Reinforcement Learning from Human Feedback)について検討し,理論的基礎と実証的検証の両方について検討した。
我々は,このタスクを,一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ均衡を識別するものとして定義する。
本研究は,MARLHFの多面的アプローチを基礎として,効果的な嗜好に基づくマルチエージェントシステムの実現を目指している。
論文 参考訳（メタデータ） (2024-09-01T13:14:41Z) - OTMatch: Improving Semi-Supervised Learning with Optimal Transport [2.4355694259330467]
我々はOTMatchと呼ばれる新しい手法を提案する。OTMatchはクラス間の意味的関係を利用して、最適輸送損失関数を用いて分布を一致させる。
実験結果から,本手法のベースライン上における改善が示され,半教師付き環境での学習性能向上に意味的関係を活用する上でのアプローチの有効性と優位性が示された。
論文 参考訳（メタデータ） (2023-10-26T15:01:54Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳（メタデータ） (2023-06-25T16:55:32Z) - Self-aware and Cross-sample Prototypical Learning for Semi-supervised
Medical Image Segmentation [10.18427897663732]
整合性学習は半教師付き医療画像セグメンテーションにおいて重要な役割を担っている。
これにより、注釈なしデータの豊富さを生かしながら、限られた注釈付きデータの有効利用が可能になる。
一貫性学習における予測の多様性を高めるために,自己認識型・クロスサンプル型学習法(SCP-Net)を提案する。
論文 参考訳（メタデータ） (2023-05-25T16:22:04Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised
Medical Image Segmentation [9.745971699005857]
医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。
タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。
本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
論文 参考訳（メタデータ） (2021-12-05T08:19:41Z) - Dense Contrastive Visual-Linguistic Pretraining [53.61233531733243]
画像とテキストを共同で表現するマルチモーダル表現学習手法が提案されている。
これらの手法は,大規模マルチモーダル事前学習から高レベルな意味情報を取得することにより,優れた性能を実現する。
そこで本稿では,非バイアスのDense Contrastive Visual-Linguistic Pretrainingを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:20:13Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳（メタデータ） (2021-07-23T06:57:08Z) - Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。
我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
論文 参考訳（メタデータ） (2020-10-26T04:44:43Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
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。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z)
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。