通过将机器学习算法应用于“大数据”,可以在manydomains中看到图像处理能力的快速发展。然而,在医学图像分析领域,由于大规模,注释良好的数据集的可用性有限,部分进展受到限制。造成这种情况的主要原因之一是与生产大量高质量元数据相关的高成本。最近,人们越来越关注为此目的应用众包;这种技术已经被证明可以有效地创建从计算机视觉到物理学的各个学科的大规模数据集。尽管这种方法越来越受欢迎,但还没有全面的文献综述为研究人员提供指导,以考虑在他们自己的医学成像分析中使用众包方法。在本次调查中,我们回顾了将众包应用于2018年7月之前发布的医学图像分析的研究。我们确定了常见的方法,挑战和考虑因素,为采用这种方法的研究人员提供了实用指南。最后,我们将讨论这一新兴领域的未来发展机遇。
translated by 谷歌翻译
We present the results of the first Fact Extraction and VERification (FEVER) Shared Task. The task challenged participants to classify whether human-written factoid claims could be SUPPORTED or REFUTED using evidence retrieved from Wikipedia. We received entries from 23 competing teams, 19 of which scored higher than the previously published base-line. The best performing system achieved a FEVER score of 64.21%. In this paper, we present the results of the shared task and a summary of the systems, highlighting com-monalities and innovations among participating systems.
translated by 谷歌翻译
我们提出了一种方法,该方法可以生成图像中特定对象或区域的明确描述(称为相关表达),并且还可以理解或解释这样的表达式以推断出正在描述哪个对象。我们证明了我们的方法优于以前生成对象描述的方法,而没有考虑场景中其他潜在的模糊对象。我们的模型受近期图像字幕加深学习方法的成功启发,但虽然图像字幕难以评估,但我们的任务可以轻松进行客观评估。我们还基于MS-COCO为引用表达式提供了一个新的大规模数据集。我们发布了数据集和用于可视化和评估的工具箱,请访问:http://github.com/mjhucla/Google_Refexp_toolbox
translated by 谷歌翻译