利用反馈Former改进细胞图像分割精度
计算机视觉与模式识别
2026-04-29 v4
摘要
基于深度学习的显微镜细胞图像语义分割是一项重要技术。我们认为，最近在图像识别中超越卷积神经网络(CNN)的Transformer理论也可被改进和发展用于细胞图像分割。Transformer倾向于更关注上下文信息而非细节信息，这一特性导致分割时缺乏细节信息。因此，我们假设人类视觉皮层中的反馈处理机制可能是有效的。我们提出的Feedback Former是一种新型语义分割架构，其中使用Transformer作为编码器，并具有反馈处理机制。具有细节信息的特征图从模型靠近输出端的下层反馈，以补偿Transformer在分割中所固有的细节信息缺失，从而提高分割精度。通过对三个细胞图像数据集上的实验，我们确认了该方法在无反馈方法之上，展现出在细胞图像分割方面的优越精度。我们的办法在不增加Transformer编码器模型规模的前提下，以较低的计算成本实现了更高的分割精度。此外，我们的方法在不仅仅增加模型大小的情况下，还提供了更高的精度和较低的计算成本。
引用
@article{arxiv.2408.12974,
title = {Accuracy Improvement of Cell Image Segmentation Using Feedback Former},
author = {Hinako Mitsuoka and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2408.12974},
year = {2026}
}
备注
Accepted by ECCV2024 Workshop "Human-inspired Computer Vision (HCV)". 2025/3/19 : An extended version of this paper has been accepted for publication in IEEE Access. The published version is available at DOI: https://doi.org/10.1109/ACCESS.2025.3552847