ASIST：用于显微镜视频分析的无标注合成实例分割与跟踪
图像与视频处理
2020-11-03 v1 计算机视觉与模式识别
摘要
实例对象分割与跟踪可对显微镜视频中的对象提供全面量化。近期基于单阶段像素嵌入的深度学习方法中，相较于“先分割后关联”的两阶段方案展现出优越性能。然而，将监督式像素嵌入方法应用于显微镜视频的一个主要限制是资源密集的手动标注，其涉及跨视频帧追踪数百个重叠对象及其时间关联。受近期基于生成对抗网络（GAN）的无标注图像分割启发，我们提出了一种新颖的无标注合成实例分割与跟踪（ASIST）算法，用于分析亚细胞微绒毛的显微镜视频。本文贡献有三：（1）提出了一种新的无标注视频分析范式；（2）将基于嵌入的实例分割与跟踪同无标注合成学习聚合为一个整体框架；（3）据我们所知，这是首项利用基于嵌入的深度学习研究微绒毛实例分割与跟踪的工作。实验结果表明，所提出的无标注方法相比监督学习取得了更优性能。
引用
@article{arxiv.2011.01009,
title = {ASIST: Annotation-free synthetic instance segmentation and tracking for microscope video analysis},
author = {Quan Liu and Isabella M. Gaeta and Mengyang Zhao and Ruining Deng and Aadarsh Jha and Bryan A. Millis and Anita Mahadevan-Jansen and Matthew J. Tyska and Yuankai Huo},
journal= {arXiv preprint arXiv:2011.01009},
year = {2020}
}