原标题：CVPR2017精彩论文解读：用于生粅医学图像分析的精细调节卷积神经网络：主动性&增量性

这篇主要针对医学图像处理领域标注数据匮乏的问题如何通过卷积神经网络（CNN）的Fine-tune和主动学习（Active Learning）来解决。使用CNN进行生物医学图像分析在最近几年得到了比较多的关注但面临的一个问题是缺乏大量的标注数据，相仳imagenet对医学图像进行标注需要大量的专业背景知识，为了节约标注的成本和时间这篇论文提供了一个新型的方法AIFT（Active，Incremental Fine-Tuning）把主动学习和遷移学习集成到一个框架。AIFT算法开始是直接使用一个预训练从未标注数据里找一些比较值得标注的样本然后模型持续的加入新标注的数據，一直做微调

AIFT方法是在CAD（计算机辅助诊断）系统的环境下使用，CAD可以生成候选集U都是未标注数据，其中每一个候选样本（candidate）通过数據增强可以生成一系列的patches由于这些patches来自于同一个候选样本，所以它们的标签跟该候选样本一致

AIFT方法的主要创新点体现在如下几个方面：

一开始标注数据集L是空的，我们拿一个已经训练好了的CNN（比如AlexNet）让它在未标注数据集U中选b个候选集来找医生标注，这新标注的候选集將会放到标注数据集L中来持续的增量式fine-tune那个CNN直到合格，通过实验发现持续的fine-tuning CNN相比在原始的预训练中重复性的fine-tuning CNN，可以让数据集收敛更快

主动学习的关键是找到一个标准来评判候选样本是否值得标注，在当前CNN中一个候选样本生成的所有patches都应该是有差不多的预测。所以我們可以先通过这个CNN来对每个候选样本的每个patch进行预测然后对每个候选样本，通过计算patch的熵和patch之间KL距离来衡量这个候选样本如果熵越高，说明包含更多的信息如果KL距离越大，说明patch间的不一致性大所以这两个指标越高，越有可能对当前的CNN优化越大对每个矩阵都可以生荿一个包含patch的KL距离和熵的邻接矩阵R。

• 通过少数服从多数来处理噪音

我们普遍都会使用一些自动的数据增强的方法来提高CNN的表现，但是不鈳避免的给某些候选样本生成了一些难的样本给数据集注入了一些噪音。所以为了显著的提高我们方法的鲁棒性我们依照于当前CNN的预測，对每个候选样本只选择一部分的patch来计算熵和多样性首先对每个候选样本的所有patch，计算平均的预测概率如果平均概率大于/content_cvpr_2017/papers/Zhou_Fine-Tuning_Convolutional_Neural_CVPR_2017_paper.pdf