Efficient Active Learning for Image Classification and Segmentation Using a Sample Selection and Conditional Generative Adversarial Network

背景/目标

（1）根据 labeled sample 生成更多 new sample， 目标是用尽可能少的labeled sample来train 网络，并获得尽可能多的accuracy.

  

创新点：

 

可能存在的不足：

（1）data augmentation的不足？

（2）mask的生成过程？随机噪声生成的不足？

（3）original labeled  sample 对accuracy的影响比较大，（希望通过对网络部分的改进，解决此问题）

（4）可以结合前人对GANs的改进来考虑此问题，从方法的核心入手改进——————重要的评价指标是提高 accuracy in less sample

 

借鉴文献：

 

其他的相关文献：

Image super-resolution using progressive generative adversarial networks for medical image analysis： 

（提出一个p-GAN，将一个低分辨率的图像--->高分辨率的图像）