基于边界框标注的活动学习低成本细胞图像分割
计算机视觉与模式识别
2024-05-06 v1
摘要
细胞图像分割通常采用完全监督的深度学习方法，这需要大量标注的训练数据。然而，由于细胞形态的复杂性以及对专业知识的要求，像素级标注细胞图像已成为高昂的劳动密集型任务。为解决上述问题，我们提出一种基于边界框标注的活动学习框架，用于细胞分割，显著降低了细胞图像分割算法的数据标注成本。首先，我们生成一种盒子监督学习方法（称为 YOLO-SAM），通过将YOLOv8检测器与Segment Anything Model（SAM）结合，有效降低了数据标注的复杂度。进一步地，它被集成到一种活动学习框架中，该框架采用 MC DropBlock 方法，以更少的框标注样本训练分割模型。广泛的实验表明，我们的模型在数据标注时间上比掩码监督的深度学习方法节省了超过90%。
引用
@article{arxiv.2405.01701,
title = {Active Learning Enabled Low-cost Cell Image Segmentation Using Bounding Box Annotation},
author = {Yu Zhu and Qiang Yang and Li Xu},
journal= {arXiv preprint arXiv:2405.01701},
year = {2024}
}