Annotating Ambiguous Images: General Annotation Strategy for High-Quality Data with Real-World Biomedical Validation

要約

画像分類の分野では、既存の手法は偏ったデータや曖昧なデータに苦戦することが多く、これは現実世界のシナリオでよく見られる問題です。
半教師あり学習やクラスブレンディングなどの現在の戦略は部分的な解決策を提供しますが、決定的な解決策がありません。
このギャップに対処するために、私たちの論文では、困難なデータセットで高品質のラベルを生成するための新しい戦略を紹介します。
私たちのアプローチの中心となるのは、広範な文献レビューに基づいて明確に設計されたフローチャートであり、これにより信頼性の高いラベルの作成が可能になります。
私たちは、特に脊椎画像から身長の減少を推定する際に、生物医学分野における厳密な現実世界のテストケースを通じて方法論を検証します。
250,000 を超える注釈を活用した私たちの実証研究は、戦略決定の有効性を代替案と比較して実証しています。

要約(オリジナル)

In the field of image classification, existing methods often struggle with biased or ambiguous data, a prevalent issue in real-world scenarios. Current strategies, including semi-supervised learning and class blending, offer partial solutions but lack a definitive resolution. Addressing this gap, our paper introduces a novel strategy for generating high-quality labels in challenging datasets. Central to our approach is a clearly designed flowchart, based on a broad literature review, which enables the creation of reliable labels. We validate our methodology through a rigorous real-world test case in the biomedical field, specifically in deducing height reduction from vertebral imaging. Our empirical study, leveraging over 250,000 annotations, demonstrates the effectiveness of our strategies decisions compared to their alternatives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google