Carregant...
Carregant...

Vés al contingut (premeu Retorn)

Cost-effective active learning for melanoma segmentation

Autor
Górriz, M.; Giro, X.; Carlier, A.; Faure, E.
Tipus d'activitat
Presentació treball a congrés
Nom de l'edició
Machine Learning for Health Workshop at NIPS 2017
Any de l'edició
2017
Data de presentació
2017-12-08
Llibre d'actes
ML4H: Machine Learning for Health NIPS, Workshop at NIPS 2017
Pàgina inicial
1
Pàgina final
5
Projecte finançador
Procesado de señales multimodales y aprendizaje automático en grafos.
Repositori
http://hdl.handle.net/2117/113801 Obrir en finestra nova
https://arxiv.org/abs/1711.09168 Obrir en finestra nova
Resum
We propose a novel Active Learning framework capable to train effectively a convolutional neural network for semantic segmentation of medical imaging, with a limited amount of training labeled data. Our contribution is a practical Cost-Effective Active Learning approach using dropout at test time as Monte Carlo sampling to model the pixel-wise uncertainty and to analyze the image information to improve the training performance.
Citació
Górriz, M., Giro, X., Carlier, A., Faure, E. Cost-effective active learning for melanoma segmentation. A: Machine Learning for Health Workshop at NIPS. "ML4H: Machine Learning for Health NIPS, Workshop at NIPS 2017". Long Beach, CA: 2017, p. 1-5.
Grup de recerca
GPI - Grup de Processament d'Imatge i Vídeo
IDEAI-UPC - Intelligent Data Science and Artificial Intelligence Research Center

Participants

  • Górriz, Marc  (autor ponent)
  • Giro Nieto, Xavier  (autor ponent)
  • Carlier, Axel  (autor ponent)
  • Faure, Emmanuel  (autor ponent)

Arxius