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

Oct, 2023

Unsupervised Learning of Object-Centric Embeddings for Cell Instance Segmentation in Microscopy Images

Steffen Wolf, Manan Lalit, Henry Westmacott, Katie McDole, Jan Funke

TL;DR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。

Abstract

segmentation of objects in microscopy images is required for many biomedical applications. We introduce object-centric embeddings (OCEs),

发现论文，激发创造

研究了自动实例分割的问题，并提出一种基于深度神经网络的嵌入向量方法，使得相邻物体在嵌入空间中互相垂直，从而避免了对象的合并。该方法在细胞和叶片图像的分割任务中，即使使用轻量级的骨架网络也能达到领先水平。

Apr, 2020

本文提出了一种基于非空间嵌入的无提案分割方法，可处理生物医学图像等难以密集标注的图像，并引入了一种自我监督一致性损失，以解决正 - 无标签训练中的挑战。在不同显微镜模式下的二维和三维分割问题以及城市景观和 CVPPP 实例分割基准上，实现了最先进的结果。

Mar, 2021

基于自监督涵盖对象中心表示学习的对象级无监督语义分割方法 EAGLE，在复杂场景中实现了精确和一致的语义分割效果。

Mar, 2024

本文提出了一种基于盒子的实例分割方法，通过引入目标检测和实例规范化技术，实现在生物图像识别中更准确的实例分割。

Nov, 2019

本文提出了第一个完全无监督的方法，用于在真实场景的序列中分割多个对象，通过空间绑定对象并将这些槽联系起来，在高级语义特征空间中重建中间帧，解决了效率和规范化问题，成功地在 YouTube 视频中分割了复杂且多变的类别的多个实例。

Oct, 2023

提出一种用于无监督视频目标分割的方法，通过转移图像实例嵌入网络中封装的知识。通过将实例嵌入与物体性和光流特征相结合，无需模型重新训练或在线微调，即可将物体链接起来。该方法在 DAVIS 数据集和 FBMS 数据集上优于最先进的无监督分割方法。

Jan, 2018

我们研究了从单一图像中推断 3D 物体中心场景表示的方法，并通过分开建模内外在属性来改善现有的无监督学习方法的局限性，使其能够从稀疏的现实世界图像中无监督地学习高保真的物体中心场景表示。

Feb, 2024

该研究提出了一种视频基于物体为中心的模型，通过适应物体为中心的插槽以及构建完整物体原型来处理遮挡，仅需要稀疏的检测标签进行物体定位和特征绑定，无需 ID 标签，并通过自我监督的期望最大化损失函数实现物体关联，实验证明了该方法在物体为中心的学习领域的卓越性能。

Sep, 2023

该论文提出了一种适用于生物学图像的新型实例分割方法，利用正弦波来描述每个对象实例，并利用聚类在嵌入空间中恢复实例，该方法在多个生物学数据集上表现出色且计算效率高。

Apr, 2019

该论文提出了一种弱监督学习方法，以对象为中心的表示和光流条件模型，可提高现实数据下的实例分割和追踪效果，改进了查询模型的灵活性，并扩展了应用范围。

Nov, 2021