启用自主数据注释在哺乳镜图像:一个人类在循环中强化学习方法
Leonardo C da Cruz1, Cesar A Sierra-Franco2, Alberto Raposo2
1Tecgraf Institute and Department of Informatics, Pontifical Catholic University of Rio de Janeiro, Rio de Janeiro, RJ, Brazil. leonardocardia@gmail.com.
Journal of imaging informatics in medicine
|January 6, 2026
概括
这项研究引入了一种新的深度强化学习 (DRL) 方法",尝试一点" (TLM),用于自动化对象检测的注释生成. TLM显著减少了人类的努力,并提高了人工智能模型的训练数据质量.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 计算机视觉中的监督学习模型需要大型标记数据集,这些数据集的创建是昂贵和耗时的.
- 自动化注释过程对于有效的培训数据准备至关重要.
研究的目的:
- 提出基于深度强化学习 (DRL) 的方法,用于自动注释生成,减少监督学习中的人工精力.
- 引入"尝试一点多" (TLM) 方法,灵感来自建设主义教学,通过人类指导和积极学习来增强代理学习.
主要方法:
- 开发了一个在人类指导下训练的虚拟代理,使用建设主义教学原则.
- 在TLM方法中实施积极学习,以识别不确定的病例并要求人类干预.
- 评估了该剂在乳房扫描数据集上自主创建界限框注释的能力.
主要成果:
- 使用TLM方法生成了414个新的注释,具有高IOU (0.86) 和F1得分 (0.92).
- 使用TLM注释显著改善了YOLO探测器的mAP从0.52到0.91 (75%的改善).
- 在注释生成方面,人类干预减少了35%.
结论:
- 拟议的TLM方法有效地加速了注释创建,并提高了培训数据的质量.
- 这种方法通过将人类建议与强化学习相结合来推进以数据为中心的AI,以实现高效的数据注释,特别是在数据稀缺的领域.
