通过反向和正向传播进行弱监督的细胞跟踪

ECCVJul, 2020

Weakly-Supervised Cell Tracking via Backward-and-Forward Propagation

Kazuya Nishimura, Junya Hayashida, Chenyang Wang, Dai Fei Elmer Ker, Ryoma Bise

TL;DR该研究提出了一种弱监督的细胞跟踪方法，可通过仅使用细胞检测注释（即细胞位置的坐标）而无需关联信息来训练卷积神经网络，并使用向前和向后传播方法来分析细胞位置的一致性，从而实现细胞关联。

Abstract

We propose a weakly-supervised cell tracking method that can train a convolutional neural network (CNN) by using only the annotation of "c

发现论文，激发创造

本研究提出一种弱监督细胞跟踪方法，该方法使用 “细胞检测” 注释（即细胞位置坐标）而不使用关联信息来训练卷积神经网络。该方法通过前向和后向传播分析了卷积神经网络检测图中细胞位置的对应关系，成功匹配了不同帧中的细胞位置，且性能接近于最新的监督方法。

Jul, 2020

本文提出了一种弱监督方法，可以在密集条件下分割相互接触、边界不清的单个细胞区域，无需单独的训练数据，通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。

Nov, 2019

该论文提出了一种无监督视觉跟踪方法，使用 CNN 模型和监督学习相反，采用大规模未标记视频进行无监督训练，采用多帧验证方法和成本敏感损失来促进无监督学习，取得了与完全监督追踪器相当的基准精度，同时展示了利用未标记或弱标记数据进一步提高跟踪精度的潜力。

Apr, 2019

本论文提出一种通过端到端的方式联合训练多阶段模型来解决弱监督目标检测网络中的对象位置精确预测问题的方法，该方法引入了多例学习、包围框回归和分类损失引导的注意力模块等多种算法，实验结果表明该方法能够达到最佳的性能表现。

Nov, 2019

本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

Jul, 2020

本文提出了一种基于自学习的方法，即协同知识共享，用于在单细胞分割模型的弱监督训练中，通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下，能够取得较好的单细胞分割效果。

Apr, 2023

本文介绍了一种基于点的细胞检测和分类框架，该框架采用了直接回归和分类方法，并采用金字塔式特征聚合策略同步处理底层特征和高层语义。实验结果表明，该方法在在免疫组织化学图像的分析中有着较高的准确性和效率，并具有较高的协助病理学家评估的潜力。

Jul, 2022

基于深度学习的细胞追踪方法，通过细胞的时空领域实现准确追踪，并能学习细胞的运动模式，适用于处理大量带有重要特征的视频帧。

Aug, 2023

本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

Oct, 2019

本文提出了一个简单而有效的弱监督协作学习框架，旨在解决在弱监督目标检测中经常出现的标注准确性与模型准确性之间的矛盾，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛的实验证明了其有效性。

Feb, 2018