Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation-笔记

本文主要是介绍Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation-笔记,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文结合activate learning和bootstrap。
网络结构如图:
这里写图片描述
操作过程如下:首先使用少量的标注的数据进行训练网络,然后输入未标记的数据,根据提取的有用信息记录需要标记的数据,然后进行标记。下一个阶段使用现在可利用的标记好的所有数据进行训练,一直循环。挑战就是如何将进行信息提取的FCNs和deep active learning framework(分割网络)结合。
来自FCNs的挑战:1,FCNs需要快速训练,使得标注stages之间的时间是可以接受的;2,FCNs需要具有通用性,当训练数据极少时能够产生合理的结果。网络结构如图:
这里写图片描述
来自active learning的挑战:当决定下一个batch所需要的训练数据时,active learning需要很好的利用FCNs得到的信息。为了这个目的,我们首先证明如何基于bootstrapping估计FCNs的不确定性,和使用FCNs的编码部分的最后一层来估计图像之间的相似性。根据这些信息,我们能够给下一个训练stage决定使用的训练数据。
本文的方法主要由3部分组成:1,新的FCN;2,对FCNs的不确定性和相似性的估计;3,选择最有效训练数据的建议算法。

1. A new fully convolutional network

网络框架如图2。网络有两个输出,一个是用来分割,一个是用来做图像描述器。

2. Uncertainty estimation and similarity estimation

只使用不确定性会导致重复选择需要标注区域,所以还需要选择具有高度表达性的样本(这些样本和许多其它的样本很相似)。Bootstrapping[4]是一种标准的方法用来评估学习模型的不确定性。基本思想就是使用训练集的子集(通过重置抽样得到,重置抽样就是又放回抽样)来训练一系列模型,然后计算这些模型的差异(variance,disagreement)。我们根据这个方法计算FCNs的不确定性。
这里写图片描述
如图3(d),显示了每个像素的不确定性和测试误差具有极强的相关性。最后计算每个训练样本整体的不确定性作为它像素的平均不确定性。
现在能够计算不确定性,接下来计算图片之间的相似性。我们求取FCNs最后一个卷积层的输出的每个通道的平均值作为图片描述器的输出。通过计算这个输出的余弦相似性来计算图片的相似性。为什么这么选择图片描述器呢?是因为1,我们不需要专门训练一个图片描述器;2,因为图片提取图片描述的网络是用来进行分割的,这个输出具有丰富和精确的形状信息。

3. Annotation suggestion

数据的不确定性指,这个数据很难分割;
数据具有表达性是指,数据具有尽可能多的非标注数据的characteristics或者features。
我们选出的数据需要具有这两个性质。因为不确定性相对于重要,我们首先选取K个最大的具有不确定性的子集,然后从这K个样本中选取k个最具表达性的样本(k

这篇关于Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation-笔记的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/734936

相关文章

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

【C++学习笔记 20】C++中的智能指针

智能指针的功能 在上一篇笔记提到了在栈和堆上创建变量的区别,使用new关键字创建变量时,需要搭配delete关键字销毁变量。而智能指针的作用就是调用new分配内存时,不必自己去调用delete,甚至不用调用new。 智能指针实际上就是对原始指针的包装。 unique_ptr 最简单的智能指针,是一种作用域指针,意思是当指针超出该作用域时,会自动调用delete。它名为unique的原因是这个

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

忽略某些文件 —— Git 学习笔记 05

忽略某些文件 忽略某些文件 通过.gitignore文件其他规则源如何选择规则源参考资料 对于某些文件,我们不希望把它们纳入 Git 的管理,也不希望它们总出现在未跟踪文件列表。通常它们都是些自动生成的文件,比如日志文件、编译过程中创建的临时文件等。 通过.gitignore文件 假设我们要忽略 lib.a 文件,那我们可以在 lib.a 所在目录下创建一个名为 .gi

取得 Git 仓库 —— Git 学习笔记 04

取得 Git 仓库 —— Git 学习笔记 04 我认为, Git 的学习分为两大块:一是工作区、索引、本地版本库之间的交互;二是本地版本库和远程版本库之间的交互。第一块是基础,第二块是难点。 下面,我们就围绕着第一部分内容来学习,先不考虑远程仓库,只考虑本地仓库。 怎样取得项目的 Git 仓库? 有两种取得 Git 项目仓库的方法。第一种是在本地创建一个新的仓库,第二种是把其他地方的某个

Git 的特点—— Git 学习笔记 02

文章目录 Git 简史Git 的特点直接记录快照,而非差异比较近乎所有操作都是本地执行保证完整性一般只添加数据 参考资料 Git 简史 众所周知,Linux 内核开源项目有着为数众多的参与者。这么多人在世界各地为 Linux 编写代码,那Linux 的代码是如何管理的呢?事实是在 2002 年以前,世界各地的开发者把源代码通过 diff 的方式发给 Linus,然后由 Linus