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

本文作者：杨晓凡

2017-07-29 19:29

专题：CVPR 2017

导语：CVPR 2017有那么多有价值的研究成果，我们也会邀请懂行的人继续为大家进行解读

雷锋网 AI 科技评论按：计算机视觉盛会 CVPR 2017已经结束了，雷锋网 AI 科技评论带来的多篇大会现场演讲及收录论文的报道相信也让读者们对今年的 CVPR 有了一些直观的感受。

论文的故事还在继续

相对于 CVPR 2017收录的共783篇论文，即便雷锋网 AI 科技评论近期挑选报道的获奖论文、业界大公司论文等等是具有一定特色和代表性的，也仍然只是沧海一粟，其余的收录论文中仍有很大的价值等待我们去挖掘，生物医学图像、3D视觉、运动追踪、场景理解、视频分析等方面都有许多新颖的研究成果。

所以我们继续邀请了宜远智能的刘凯博士对生物医学图像方面的多篇论文进行解读，延续之前最佳论文直播讲解活动，从8月1日起陆续解读4篇不同的论文。

刘凯博士是宜远智能的总裁兼联合创始人，有着香港浸会大学的博士学位，曾任联想（香港）主管研究员、腾讯高级工程师。半个月前宜远智能的团队刚刚在阿里举办的天池 AI 医疗大赛上从全球2887支参赛队伍中脱颖而出取得了第二名的优异成绩。

最佳论文直播讲解＃03

分享论文：「Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally」

时间：8 月 1 日（周二） 20：00

地点： AI 研习社微信群

论文简介

刘凯博士要为我们解读的生物医学图像论文中的第一篇是「Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally」（用于生物医学图像分析的精细调节卷积神经网络：主动的，增量的）。它主要解决了一个深度学习中的重要问题：如何使用尽可能少的标签数据来训练一个效果有潜力的分类器。

论文简介：用卷积神经网络（CNNs）解决生物医学图像分析问题的方法不仅引发了密切注意，它的影响范围也越来越大。然而这种方法要获得全面的成功，最大的阻碍之一就是缺乏生物医学图像方面的大规模有标注数据集。为生物医学图像做人工标注不仅单调乏味、耗费时间，而且具有这些专业知识技能的医生所需费用也很高，这就导致大规模有标注数据集往往是无法得到的。为了显著降低图像标注费用，这篇论文提出了一种新颖的方法“AFIT”（active, incremental fine-tuning 主动增量精细调节），它把主动学习（active learning）和迁移学习（transfer learning）自然地整合进了同一个框架中。

在 AIFT 中，一个经过预训练的 CNN 会在无标注图像中寻找“有价值”的图像让专家进行标注，然后新标注的图像会参与到 CNN 的精细调节中来；这样，CNN 在逐次迭代中能够借助新标注的图像样本持续进行精细调节，CNN 在目标领域的表现也就以增量的方式得到了增强。论文通过三种不同的生物医学图像应用对所提的方法进行了评估，结果表明这种方法至少可以减少一半的标注费用。这样的效果就是所提的 AIFT 方法中先进的主动学习和增量能力的优势的最佳体现。