Apr, 2024

DAWN: 基于跨任务相互作用的领域自适应弱监督核分割

PDF
TL;DR使用领域自适应的弱监督核分割框架，通过交叉任务相互作用策略克服伪标签生成的挑战，并通过弱注释数据训练辅助检测任务，设计一种一致特征约束模块来提高领域自适应的效率。此外，我们还开发了伪标签优化和交互式训练方法来提升领域转移能力，实验证明我们的方法在六个数据集上具有优越性能。
发现论文，激发创造
  • 利用组织病理图像中的部分点注释进行弱监督深度细胞核分割

    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

  • 使用弱标签的域自适应语义分割

    论文提出一个新框架，使用 image-level weak labels，引入了 category-wise alignment 来实现 domain adaptation 中 feature alignment 和 pseudo-labeling 的相互作用，实验结果表明在 UDA 和 WDA 上都有显著的提高。

    Jul, 2020

  • 通过渐进式域自适应进行跨领域弱监督物体检测

    本文提出了一种跨域弱监督目标检测的框架，通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调，取得了 5 到 20 个百分点的均值平均精度改进。

    Mar, 2018

  • 基于稀疏点标注的电子显微镜弱监督跨领域分割

    通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜（EM）图像的精确细胞器实例分割任务上取得了显著的性能提升，比无监督域自适应方法更具实际应用价值。

    Mar, 2024

  • 不同图像领域弱监督语义分割的综合分析

    本篇论文评估了最先进的弱监督语义分割方法在自然场景、组织病理学和卫星图像数据集上的表现，并分析了如何确定哪种方法最适合给定的数据集。结果表明，针对组织病理学和卫星图像的弱监督语义分割面临着与自然场景图像不同的挑战，提出了一些实用技巧并指出需要更多的工作来实现弱监督语义分割的通用方法。

    Dec, 2019

  • 基于实例感知的无监督核分割学习

    本文提出了一种自监督学习框架，通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务，隐式地利用细胞核大小和数量的先验知识，从原始数据中挖掘出特征表示，最终在公开数据集上取得了非常好的结果，大大提高了细胞核实例分割的准确性。

    Jul, 2020

  • 循环学习：连接图像级标签和细胞核实例分割

    本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法可比较的性能。

    Jun, 2023

  • 基于全景领域自适应和任务加权的显微镜图像无监督实例分割

    本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的域适应，实验结果表明，该方法在三个数据集上优于最先进的无监督域自适应方法，同时表现出类似于完全监督方法的性能。

    May, 2020

  • 学习基于子分区的异质感知领域自适应细胞核分割

    我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。

    Jan, 2024

  • 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