मजबूत छवि वर्गीकरण के लिए गुणवत्ता लेबल सीखना

अधिगमित लर्निंग पैराडाइम बहुत बड़ी मात्रा में एनोटेटेड डेटा से बड़े लाभ उठाते हैं। हालांकि, एनोटेशन की गुणवत्ता अक्सर लेबलरों के बीच भिन्न होती है। मल्टी-ऑब्ज़र्वर अध्ययन किए गए हैं ताकि एनोटेशन भिन्नताओं का परीक्षण किया जा सके (एक ही डेटा को कई बार लेबल करके) यह देखने के लिए कि यह चिकित्सा छवि विश्लेषण जैसे महत्वपूर्ण अनुप्रयोगों को कैसे प्रभावित करता है। इस पेपर में, हम दिखाते हैं कि कैसे कई सेट के एनोटेशन (चाहे हाथ से लेबल किया गया हो या एल्गोरिदम द्वारा उत्पन्न) को एक साथ उपयोग किया जा सकता है और वर्गीकरण कार्यों के अधिगम में आपसी लाभ होता है। एक मतदान करने के लिए सीखने की योजना को प्रशिक्षण के दौरान प्रत्येक डेटा प्रविष्टि के लिए गुणवत्ता लेबल सेट का नमूना लेने के लिए पेश किया गया है। विशेष रूप से, एक लेबल-नमूना मॉड्यूल को परिष्कृत लेबल (ध्यान केंद्रित किए गए लोगों का भारित सम) प्राप्त करने के लिए डिज़ाइन किया गया है जो अतिरिक्त बैक-प्रॉपगेशन के माध्यम से मॉडल के अधिगम को सबसे अधिक लाभ पहुंचाता है। हम इस अवधारणा को साबित करने के लिए सिंथेटिक नॉइज़ी CIFAR-10 के वर्गीकरण कार्य पर मतदान करने के लिए सीखने की योजना लागू करते हैं और फिर अस्पताल-स्तरीय डेटा सेट (MIMIC-CXR) और हाथ से लेबल किए गए डेटा सेट (OpenI) से सीने के एक्स-रे छवियों पर नियमित प्रशिक्षण पैराजाइम की तुलना में बेहतर परिणाम (कई रोग वर्गीकरण AUCs में औसतन 3-5% वृद्धि) प्रदर्शित करते हैं।