CVPR 2017精彩論文解讀：顯著降低模型訓(xùn)練成本的主動增量學(xué)習(xí)

本文作者：楊曉凡

2017-07-29 19:29

專題：CVPR 2017

導(dǎo)語：CVPR 2017有那么多有價值的研究成果，我們也會邀請懂行的人繼續(xù)為大家進行解讀

雷鋒網(wǎng) AI 科技評論按：計算機視覺盛會 CVPR 2017已經(jīng)結(jié)束了，雷鋒網(wǎng) AI 科技評論帶來的多篇大會現(xiàn)場演講及收錄論文的報道相信也讓讀者們對今年的 CVPR 有了一些直觀的感受。

論文的故事還在繼續(xù)

相對于 CVPR 2017收錄的共783篇論文，即便雷鋒網(wǎng) AI 科技評論近期挑選報道的獲獎?wù)撐?、業(yè)界大公司論文等等是具有一定特色和代表性的，也仍然只是滄海一粟，其余的收錄論文中仍有很大的價值等待我們?nèi)ネ诰?，生物醫(yī)學(xué)圖像、3D視覺、運動追蹤、場景理解、視頻分析等方面都有許多新穎的研究成果。

所以我們繼續(xù)邀請了宜遠智能的劉凱博士對生物醫(yī)學(xué)圖像方面的多篇論文進行解讀，延續(xù)之前最佳論文直播講解活動，從8月1日起陸續(xù)解讀4篇不同的論文。

劉凱博士是宜遠智能的總裁兼聯(lián)合創(chuàng)始人，有著香港浸會大學(xué)的博士學(xué)位，曾任聯(lián)想（香港）主管研究員、騰訊高級工程師。半個月前宜遠智能的團隊剛剛在阿里舉辦的天池 AI 醫(yī)療大賽上從全球2887支參賽隊伍中脫穎而出取得了第二名的優(yōu)異成績。

最佳論文直播講解＃03

分享論文：「Fine-tuning Convolutional Neural Networks for Biome?dical Image Analysis: Actively and Incrementally??」

時間：8 月 1 日（周二） 20：00

地點： AI 研習(xí)社微信群

論文簡介

劉凱博士要為我們解讀的生物醫(yī)學(xué)圖像論文中的第一篇是「Fine-tuning Convolutional Neural Networks for Biome?dical Image Analysis: Actively and Incrementally?」（用于生物醫(yī)學(xué)圖像分析的精細調(diào)節(jié)卷積神經(jīng)網(wǎng)絡(luò)：主動的，增量的）。它主要解決了一個深度學(xué)習(xí)中的重要問題：如何使用盡可能少的標簽數(shù)據(jù)來訓(xùn)練一個效果有潛力的分類器。

論文簡介：用卷積神經(jīng)網(wǎng)絡(luò)（CNNs）解決生物醫(yī)學(xué)圖像分析問題的方法不僅引發(fā)了密切注意，它的影響范圍也越來越大。然而這種方法要獲得全面的成功，最大的阻礙之一就是缺乏生物醫(yī)學(xué)圖像方面的大規(guī)模有標注數(shù)據(jù)集。為生物醫(yī)學(xué)圖像做人工標注不僅單調(diào)乏味、耗費時間，而且具有這些專業(yè)知識技能的醫(yī)生所需費用也很高，這就導(dǎo)致大規(guī)模有標注數(shù)據(jù)集往往是無法得到的。為了顯著降低圖像標注費用，這篇論文提出了一種新穎的方法“AFIT”（active, incremental fine-tuning 主動增量精細調(diào)節(jié)），它把主動學(xué)習(xí)（active learning）和遷移學(xué)習(xí)（transfer learning）自然地整合進了同一個框架中。

在 AIFT 中，一個經(jīng)過預(yù)訓(xùn)練的 CNN 會在無標注圖像中尋找“有價值”的圖像讓專家進行標注，然后新標注的圖像會參與到 CNN 的精細調(diào)節(jié)中來；這樣，CNN 在逐次迭代中能夠借助新標注的圖像樣本持續(xù)進行精細調(diào)節(jié)，CNN 在目標領(lǐng)域的表現(xiàn)也就以增量的方式得到了增強。論文通過三種不同的生物醫(yī)學(xué)圖像應(yīng)用對所提的方法進行了評估，結(jié)果表明這種方法至少可以減少一半的標注費用。這樣的效果就是所提的 AIFT 方法中先進的主動學(xué)習(xí)和增量能力的優(yōu)勢的最佳體現(xiàn)。