マンモグラフィ画像における自律的データ注釈の実現：人間参加型強化学習アプローチ

科学分野:

• コンピュータビジョン
• 機械学習
• 人工知能

背景:

• コンピュータビジョンにおける教師あり学習モデルには、大規模なラベル付きデータセットが必要であり、作成にはコストと時間がかかります。
• 注釈プロセスの自動化は、効率的なトレーニングデータ準備に不可欠です。

研究 の 目的:

• 教師あり学習における人間の労力を削減するために、自動注釈生成のための深層強化学習（DRL）ベースのアプローチを提示すること。
• 人間のガイダンスとアクティブラーニングを通じてエージェント学習を強化するために、構成主義的教育に触発された「Try a Little More」（TLM）方法論を導入すること。

主な方法:

• 構成主義的教育原則を使用して、人間のガイダンスでトレーニングされた仮想エージェントを開発しました。
• 人間の介入を要求するために、不確実なケースを特定するために、TLMアプローチ内でアクティブラーニングを実装しました。
• マンモグラフィデータセットで境界ボックス注釈を自律的に作成するエージェントの能力を評価しました。

主要な成果:

• TLMアプローチは、高いIoU（0.86）とF1スコア（0.92）で414個の新しい注釈を生成しました。
• TLM注釈を利用することで、YOLO検出器のmAPが0.52から0.91に大幅に向上しました（75％向上）。
• 注釈生成における人間の介入を35％削減しました。

結論:

• 提案されたTLM方法論は、注釈作成を効果的に加速し、トレーニングデータの品質を向上させます。
• このアプローチは、特にデータが不足しているドメインにおいて、人間のアドバイスと強化学習を組み合わせて効率的なデータ注釈を行うことで、データ中心のAIを進歩させます。