CVPR 2017精彩論文解讀：顯著降低模型訓練成本的主動增量學習

本文作者：楊曉凡

2017-07-29 19:29

專題：CVPR 2017

導語：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為大家進行解讀

雷鋒網 AI 科技評論按：計算機視覺盛會 CVPR 2017已經結束了，雷鋒網 AI 科技評論帶來的多篇大會現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

相對于 CVPR 2017收錄的共783篇論文，即便雷鋒網 AI 科技評論近期挑選報道的獲獎論文、業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去挖掘，生物醫學圖像、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。

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

劉凱博士是宜遠智能的總裁兼聯合創始人，有著香港浸會大學的博士學位，曾任聯想（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 研習社微信群

論文簡介

劉凱博士要為我們解讀的生物醫學圖像論文中的第一篇是「Fine-tuning Convolutional Neural Networks for Biome?dical Image Analysis: Actively and Incrementally?」（用于生物醫學圖像分析的精細調節卷積神經網絡：主動的，增量的）。它主要解決了一個深度學習中的重要問題：如何使用盡可能少的標簽數據來訓練一個效果有潛力的分類器。

論文簡介：用卷積神經網絡（CNNs）解決生物醫學圖像分析問題的方法不僅引發了密切注意，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學圖像方面的大規模有標注數據集。為生物醫學圖像做人工標注不僅單調乏味、耗費時間，而且具有這些專業知識技能的醫生所需費用也很高，這就導致大規模有標注數據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 主動增量精細調節），它把主動學習（active learning）和遷移學習（transfer learning）自然地整合進了同一個框架中。

在 AIFT 中，一個經過預訓練的 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 的精細調節中來；這樣，CNN 在逐次迭代中能夠借助新標注的圖像樣本持續進行精細調節，CNN 在目標領域的表現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學圖像應用對所提的方法進行了評估，結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習和增量能力的優勢的最佳體現。