CellSegmenter：模块化图像的无监督表示学习与实例分割
计算机视觉与模式识别
2020-11-26 v1 机器学习
摘要
我们提出 CellSegmenter，一种用于无监督表示学习与实例分割任务的结构化深度生成模型及 amortized 推断框架。所提出的推断算法是卷积且并行化的，不含任何循环机制，能够在同时独立处理远处非遮挡对象的情况下解决对象间遮挡问题。这带来了极快的训练时间，并允许外推至任意数量的实例。我们进一步引入一种透明的后验正则化策略，鼓励以最少局部化对象和低成本背景进行场景重建。我们在一个具有结构化背景的具有挑战性的合成多 MNIST 数据集上评估了我们的方法，仅用数百个训练周期即达到近乎完美的精度。最后，我们展示了在细胞核成像数据集上获得的分割结果，证明了我们的方法在提供高质量分割的同时也能处理涉及大量实例的现实用例。
引用
@article{arxiv.2011.12482,
title = {CellSegmenter: unsupervised representation learning and instance segmentation of modular images},
author = {Luca D'Alessio and Mehrtash Babadi},
journal= {arXiv preprint arXiv:2011.12482},
year = {2020}
}
备注
9 + 9 pages