CVPR 2017精彩论文解读：显著降低模型训练成本的主动增量学习

本篇文章1316字，读完约3分钟

雷科技回顾:2017年计算机视觉盛会——cvpr已经落下帷幕。《雷科技评论》收录的许多现场演讲和论文报道也让读者对今年的cvpr有了一些直观的感受。

这篇论文的故事继续与cvpr 2017中的783篇论文进行比较。即使获奖论文和行业内大公司的论文最近被雷锋选中。(公开号码:雷锋。com)具有一定的特点和代表性，它们仍然只是沧海一粟。其余的收录论文仍有很大的价值等待我们去探索。在生物医学图像、三维视觉、运动跟踪、场景理解和视频分析方面有许多新的研究。

为此，我们继续邀请怡园智能的刘凯博士解读多篇生物医学影像论文，并继续进行之前最好的论文直播活动，从8月1日开始陆续阅读了四篇不同的论文。

刘凯博士是怡园智能的总裁和联合创始人。他拥有香港浸会大学博士学位。他曾是联想(香港)的研究员和腾讯的高级工程师。半个月前，怡园智能的团队刚刚从阿里举行的天池爱医大赛的2887支参赛队伍中脱颖而出，以优异成绩获得第二名。

最佳论文现场演讲# 03分享论文:“为生物群落微调卷积神经网络？医学影像分析:主动和渐进？？ゥ

时间:8月1日(星期二)20: 00

地点:人工智能研究会微信群

论文简介

刘凯博士将为我们解读的第一篇生物医学图像论文是“为生物群落微调自愿神经网络？医学影像分析:主动和渐进？用于生物医学图像分析的微调卷积神经网络。它主要解决深度学习中的一个重要问题:如何使用尽可能少的标签数据来训练具有潜在效果的分类器。

简介:卷积神经网络不仅备受关注，而且影响越来越大。然而，这种方法整体成功的最大障碍之一是缺乏用于生物医学图像的大规模标记数据集。对具有这些专业知识和技能的医生来说，生物医学图像的手动标记不仅乏味且耗时，而且昂贵，这导致大规模标记数据集通常不可用的事实。为了显著降低图像标注的成本，本文提出了一种新的方法“AFIT”(主动增量微调，主动增量微调)，它自然地将主动学习和迁移学习集成到同一个框架中。

在aift中，预先训练好的cnn将在未标记的图像中寻找“有价值”的图像供专家标记，然后新标记的图像将参与cnn的微调；通过这种方式，有线电视新闻网可以在连续的迭代中借助新标记的图像样本连续地进行精细调整，并且有线电视新闻网在目标领域的性能以递增的方式得到增强。本文通过三个不同的生物医学图像应用对该方法进行了评价，结果表明该方法可以将标记成本降低至少一半。这种效果最好地体现了高级主动学习和增量能力在所提出的aift方法中的优势。

观看现场直播或添加群组长按，用手机识别或扫描下面的二维码，并在人工智能研究所的微信交流群中进行计数(公开号码:okweiwu)。8月1日(星期二)晚上8点，活动将准时开始！

关于2017年cvpr学术内容的报告还没有结束。请继续关注雷锋的《人工智能科技评论》的后续文章。

相关文章:

张博士，cvpr 2017大会主席:做研究的时候要冷静| CVPR 2017

今年最激动人心的研究，2017年cvpr六篇最佳论文介绍(包下载)| 2017年cvpr

Cvpr直接击中现场:一个cv+的顶级学术事件的完整视图！| cvpr 2017

雷锋原创文章。严禁擅自转载。详情请参考转载说明。