Oct, 2023

CUPre：跨域无监督预训练用于少样本细胞分割

HTML
PDF
TL;DR通过跨域无监督预训练(CUPre)，利用未标记的细胞图像将目标检测和实例分割的能力从Common Objects in Contexts (COCO)数据集转移到细胞图像领域，从而实现对少样本细胞分割的预训练，最终实验结果表明CUPre能够超过现有的预训练方法，在少样本情况下实现最高的平均精确度（AP）的细胞分割和检测。
发现论文，激发创造
  • 重思ImageNet预训练

    使用随机初始化的标准模型，在 C​​OCO 数据集上进行的目标检测和实例分割，结果不劣于它们的 ImageNet 预训练模型，证明预训练模型并不一定能提高模型最终的准确性。

    Nov, 2018

  • 特征加权和增强在少样本分割中的应用

    使用卷积神经网络（CNN）对支持图像进行特征提取，生成类别特征向量，然后通过余弦相似度将目标物体在查询图像中分割出来，在PASCAL-$5^i$ and COCO-$20^i$数据集上验证了其优越性。

    Sep, 2019

  • CRNet：用于少样本分割的交叉参考网络

    本文提出一种基于交叉参考网络的多类别小样本图像分割方法，通过先前的样本图像和待处理图像之间的交叉引用，同时预测前景目标，经过不断迭代的前景区域优化，实现对带标签支持图像的 $k$ 次训练和少量样本的生成级联分割效果进行提升，最终在 PASCAL VOC 2012 数据集上取得了最佳效果。

    Mar, 2020

  • 重新思考预训练和自训练

    在计算机视觉中，自我训练是一种使用额外数据的替代方法，与常用的预训练模型初始化方法相比具有更强的通用性和灵活性，并提供了新的见解，包括：1）更强的数据增强和更多标记数据会进一步降低预训练的价值，2）自我训练在低数据和高数据环境下使用更强的数据增强时都有帮助，3）在预训练有效的情况下，自我训练能够进一步提高对象检测的准确性。

    Jun, 2020

  • 针对多种细胞类型和成像方式的活细胞图像训练通用实例分割网络

    本文探讨了通用细胞类型和成像方式的分割网络训练，并发现了一些训练技巧和共性特征，提高了分割性能。实验结果表明，我们的方法能够适用于全新的数据集。

    Jul, 2022

  • 使用小视觉提示进行单次和部分监督的细胞图像分割

    本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了Dice系数(DSC)。

    Apr, 2023

  • 基于协作知识分享的点监督单细胞分割

    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

  • 是否进行预训练？组织病理学语义分割领域专用预训练的案例研究

    使用不同领域预训练模型对组织学影像进行初始化可显著提高疾病分类和细胞分割的效果，尤其对于腺体分割任务有显著的改善，而细胞分割任务则无明显改善。

    Jul, 2023

  • 显微镜图像中基于对象为中心的细胞实例分割的无监督学习

    基于目标中心的嵌入图像分割方法在显微镜图像中展示了卓越的结果，减少了所需的标注数量。

    Oct, 2023

  • 调适先于比较：跨域少样本分割的新视角

    面对与训练领域不同的图像时，少样本分割性能大幅下降，这限制了其在现实世界的应用。本研究通过在传统的分类预训练骨干网络的特征金字塔中附加小型网络实现测试时任务自适应，避免过拟合到有监督微调中的少量标记样本，同时在不使用测试时的其他图像的限制下，在交叉领域少样本分割中取得了新的最先进性能，证明了在这个任务中重新思考方法的必要性。

    Feb, 2024