CVPR 2017精彩論文解讀：顯著降低模型訓練成本的主動增量學習 | 分享總結

雷鋒網 AI 科技評論按：計算機視覺盛會 CVPR 2017已經結束了，雷鋒網 AI 科技評論帶來的多篇大會現場演講及收錄論文的報道相信也讓讀者們對今年的 CVPR 有了一些直觀的感受。

相對於 CVPR 2017收錄的共783篇論文，即便雷鋒網 AI 科技評論近期挑選報道的獲獎論文、業界大公司論文等等是具有一定特色和代表性的，也仍然只是滄海一粟，其餘的收錄論文中仍有很大的價值等待我們去挖掘，生物醫學圖像、3D視覺、運動追蹤、場景理解、視頻分析等方面都有許多新穎的研究成果。

所以我們繼續邀請了宜遠智能的劉凱博士對生物醫學圖像方面的多篇論文進行解讀，延續之前最佳論文直播講解活動，陸續為大家解讀4篇不同的論文。

劉凱博士是宜遠智能的總裁兼聯合創始人，有著香港浸會大學的博士學位，曾任聯想（香港）主管研究員、騰訊高級工程師。半個月前宜遠智能的團隊剛剛在阿里舉辦的天池 AI 醫療大賽上從全球2887支參賽隊伍中脫穎而出取得了第二名的優異成績。

在 8 月 1 日的直播分享中，劉凱博士為大家解讀了「Fine-tuning Convolutional Neural Networks for Biome?dical Image Analysis: Actively and Incrementally??」（用於生物醫學圖像分析的精細調節卷積神經網路：主動的，增量的）這篇論文，它主要解決了一個深度學習中的重要問題：如何使用儘可能少的標註數據來訓練一個效果有潛力的分類器。以下為當天分享的內容總結。

劉凱博士：大家好，我是深圳市宜遠智能科技有限公司的首席科學家劉凱。今天我給大家介紹一下 CVPR 2017 關於醫學圖像處理的一篇比較有意思的文章，用的是 active learning 和 incremental learning 的方法。

今天分享的主要內容是，首先介紹一下這篇文章的 motivation，就是他為什麼要做這個工作；然後介紹一下他是怎麼去做的，以及在兩種數據集上的應用；最後做一下簡單的總結，說一下它的特點以及還有哪些需要改進的地方。

其實在機器學習，特別是深度學習方面，有一個很重要的前提是我們需要有足夠量的標註數據。但是這種標註數據一般是需要人工去標註，有時候標註的成本還是挺高的，特別是在醫學圖像處理上面。因為醫學圖像處理需要一些 domain knowledge，就是說醫生對這些病比較熟悉他才能標，我們一般人是很難標的。不像在自然圖像上面，比如ImageNet上面的圖片，就是一些人臉、場景還有實物，我們每個人都可以去標，這種成本低一點。醫學圖像的成本就會比較高，比如我右邊舉的例子，醫學圖像常見的兩種方式就是X光和CT。X光其實一個人一般拍出來一張，標註成本大概在20到30塊錢人民幣一張；CT是橫斷面，拍完一個人大概有幾百張圖片，標註完的成本就會高一點，標註的時間也會比較長，特別是CT，因為醫生要看好幾百張。

舉個例子，比如標1000張，這個數據對 deep learning 來說數據量不算太大，X光需要2到3萬人民幣、3到4天才能標完；CT成本就會更長，而且時間成本也是一個很重要的問題。那我們怎麼解決深度學習在醫學方面、特別是醫學圖像方面的這個難題呢？那我們就要用盡量少的標註數據去訓練一個 promising 的分類器，就是說一個比較好的分類器。

那我們就要考慮要多少訓練數據才夠訓練一個 promising 的分類器呢？這裡有個例子，比如左邊這個圖，這個模型的 performance 隨著數據的增加是一個線性增長的過程，就是說數據越多，它的 performance 就越高。但在實際中，這種情況很少出現，一般情況下都是數據量達到一定程度，它的 performance就會達到一個瓶頸，就不會隨著訓練數據的增加而增加了。但是我們有時候想的是把這個臨界點提前一點，讓它發生在更小數據量的時候。比如右邊這個圖的紅色虛線部分，用更小的數據達到了相同的 performance。我們的文章里就是介紹主動學習 active learning 的手段，找到一個小數據集達到大數據集一樣的效果。

怎麼樣通過 active learning 的方式降低剛才右圖裡的臨界點呢？就是要主動學習那些比較難的、容易分錯的、信息量大的樣本，然後把這樣的樣本標記起來。因為這些是比較難分的，容易分的可能幾個樣本就訓練出來了，難分的就需要大量的數據，模型才能學出來。所以我們先去學這些難的。

怎麼去定義這個「難」呢？就是「難的」、「容易分錯」、「信息量大」，其實說的是一個意思。這個「信息量大」用兩個指標去衡量，entropy大和diversity高。entropy就是信息學中的「熵」，diversity就是多樣性。這個數據里的多樣性就代表了模型學出來的東西具有比較高的泛化能力。舉個例子，對於二分類問題，如果預測值是在0.5附近，就說明entropy比較高，因為模型比較難分出來它是哪一類的，所以給了它一個0.5的概率。

用 active learning 去找那些比較難的樣本去學習有這5個步驟

1. 首先，把所有的未標註圖片數據在大量自然圖像中訓練的網路，大家知道現在有很多常用的網路，從最初的LeNet、AlexNet、GoogLeNet、VGG、ResNet這樣的網路中去測試一遍，得到預測值。 然後挑出來那些最難的、信息量大的樣本去標註

2. 用這些剛剛標註了的樣本去訓練深度學習網路，得到一個網路N

3. 把剩下沒有標籤的圖像用N過一遍，得到預測值，挑一遍那些最難的，用人工去給它標註

4. 把剛剛標註了的樣本和原來已經標好的樣本一起，也就是整個標註集拿來繼續訓練這個網路

5. 重複3到4這個步驟，直到當前的分類器可以對選出來的比較難的圖像很好的分類了。

剛才的文字講解可能不是很直觀，我們用一個圖來看一下。這個圖從左到右看，一開始灰濛濛的意思是都還沒有標註，然後用一個pre-trained model去預測一遍都是哪個類。這樣每個數據上都有一個概率，可以根據這個概率去選擇它是不是難分的那個數據，就得到了中間這個圖，上面那一段是比較難的，然後我們把它標註出來。然後用一個 continuous fine-tune 的 CNN，就是在原來的模型上再做一次 fine-tune，因為有了一些標註數據了嘛，就可以繼續 fine-tune了。 fine-tune後的模型對未標註的數據又有了一個預測的值，再根據這些預測值與找哪些是難標的，把它們標上。然後把這些標註的數據和之前就標註好的數據一起，再做一次 continuous fine-tune，就得到 CNN2了。然後依次類推，直到把所有的數據都標完了，或者是在沒有標完的時候模型的效果就已經很好了，因為把其中難的數據都已經標完了。

剛才我們提到了兩個指標來判定一個數據是不是難分的數據。entropy比較直觀，預測結果在0.5左右就認為它是比較難分的；但diversity這個值不是很好刻畫，就通過 data augmentation數據增強的方式來設計指標，就是說從一個圖像設計出一系列它的變形。這些變形就可以是靠翻轉、旋轉、平移操作等等，一個變成了好幾個甚至十幾個，增加了它的多樣性。然後對這些所有的變形去預測它們的分類結果，如果結果不統一的話，就說明這副圖像的diversity比較強，那麼這張圖像就是比較難分的，是hard sample；反之就是比較好分的，那麼就不去做它的增強了。然後對所有增強以後的數據的預測值應當是一致的，因為它們代表的是同一個東西，但是也有一些例外，如果是像我剛才說的那樣的簡單的數據增強。

這就會產生一個問題，原始的圖像，比如左邊這隻小貓，經過平移、旋轉、縮放等一些操作以後得到9張圖，每張圖都是它的變形。然後我們用CNN對這9張圖求是一隻貓的概率，可以看到上面三個圖的概率比較低，就是判斷不出來是一隻貓，我們直觀的去看，像老鼠、狗、兔子都有可能。本來這是一個簡單的例子，很容易識別出來這是一隻貓，但是增強了以後反而讓模型不確定了。這種情況是需要避免的。

所以這種時候做一個 majority selection，就是一個少數服從多數的方式，因為多數都識別出來它是一隻貓了。這就是看它的傾向性，用裡面的6個預測值為0.9的數據，上面三個預測值為0.1的就不作為增強後的結果了。這樣網路預測的大方向就是統一的了。

這篇文章的創新點除了active learning之外，它在學習的時候也不是從batch開始，而是sequential learning。它在開始的時候效果就不會特別好，因為完全沒有標註數據，它是從一個ImageNet資料庫訓練出的模型直接拿到medical的應用里來預測，效果應該不會太好。然後隨著標註數據的增加，active learning的效果就會慢慢體現出來。這裡是在每一次fine-tune的時候，都是在當前的模型基礎上的進一步fine-tune，而不是都從原始的pre-train的model做fine-tune，這樣就對上一次的模型參數有一點記憶性，是連續的學習。這種思路就跟學術上常見的sequntial learning和online learning是類似的。但是有一個缺點就是，fine-tune的參數不太好控制，有一些超參數，比如learning rate還有一些其它的，其實是需要隨著模型的變化而變化的，而且比較容易一開始就掉入local minimal，因為一開始的時候標註數據不是很多，模型有可能學到一個不好的結果。那麼這就是一個open的問題，可以從好幾個方面去解決，不過解決方法這篇文章中並沒有提。

這個方法在機器學習方面是比較通用的，就是找那些難分的數據去做sequntial的fine-tune。這裡呢主要是用在了醫學圖像上面，然後用兩個例子實驗了結果，一個是結腸鏡的視頻幀分類，看看有沒有病變、瘤之類的。結論是只用了5%的樣本就達到了最好的效果，因為其實因為是連續的視頻幀，通常都是差不多的，前後的幀都是類似的，不需要每一幀都去標註。另一個例子也是類似的，肺栓塞檢測，檢測+分類的問題，只用1000個樣本就可以做到用2200個隨機樣本一樣的效果。

這個作者我也了解一些，他是在 ASU 的PhD學生，然後現在在梅奧，美國一個非常著名的私立醫院梅奧醫院做實習，就跟需要做標準的醫生打交道比較多。這相當於就是一個從現實需求得出來的一個研究課題。

總結下來，這篇文章有幾個比較好的亮點。

• 從標註數據來說，從一個完全未標註的數據集開始，剛開始的時候不需要標註數據，最終以比較少量的數據達到很好的效果；

• 然後，從sequntial fine-tune的方式，而不是重新訓練；

• 選擇樣本的時候，是通過候選樣本的一致性，選擇有哪些樣本是值得標註的；

• 自動處理噪音，就是我剛才舉的貓的那個例子，數據增強的時候帶來的噪音，通過少數服從多數的方式把那些噪音去掉了；

• 在每個候選集只選少量的patches計算熵和KL距離，KL距離就是描述diversity的指標，這樣減少了計算量。傳統的深度學習的時候會需要在訓練之前就做數據增強，每個樣本都是同等的；這篇文章裡面有一些數據增強不僅沒有起到好的作用，反而帶來了噪音，就需要做一些處理；而且還有一些數據根本不需要增強，這樣就減少了噪音，而且節省了計算。

這篇文章其實還比較簡單，但是思路是很好的，因為提出的問題是在現實中非常常見的。有一些缺點就是：

• sequntial fine-tune，就跟機器學習提出incremental learning和online learning的時候遇到的問題類似，就是說怎麼樣才能達到和batch learning的時候一樣的效果。

• 以我們在公司以及以前的研究經歷來看，在標註好的那些數據上也有一些可以借鑒的思路可以加進來，比如 hard nigtive mining 有一個思路，因為在醫學圖像還有其它的一些數據上面，真正有病的數據是比較少的，就會出現這個模型分類的結果傾向於他沒有病，就會出現一個問題是模型的有偏。這種時候用hard mining的方法就把分錯的那些重新送入模型裡面去重新訓練。

• 這個工作也可以在其它方面推廣，不過推廣的例子還有待研究，這裡只用了medical的例子。

我今天分享的大概就是這些內容。其實這裡還有一個，最好還是把論文讀一遍吧，這樣才是最詳細的。

Q：為什麼開始的時候 active learning 沒有比random selection好？

A：其實不一定，有時候是沒有辦法保證誰好。active learning在一開始的時候是沒有標註數據的，相當於這時候它不知道哪些數據是hard的，在這個醫學數據集上並沒有受到過訓練。這時候跟 random selection 就一樣了，正在遷移原來 ImageNet 圖像的學習效果。random selection 則有可能直接選出來 hard的那些結果，所以有可能比剛開始的active selecting要好一點，但這不是每次都是 random selection 好。就是不能保證到底是哪一個更好。

（完）

雷鋒網 AI 科技評論整理。系列後續的論文解讀分享也會進行總結整理，不過還是最希望大家參與我們的直播並提出問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！