CellTranspose：面向细胞实例分割的小样本域适应
计算机视觉与模式识别
2023-01-02 v1
摘要
自动化细胞实例分割是过去二十年来用于加速生物学研究的过程，近期的进展以生物学家更少的付出产生了更高质量的结果。当前大多数努力聚焦于通过生成高度泛化模型将研究者完全排除在流程之外。然而，当面对与训练所用数据分布不同的新数据时，这些模型不可避免地失效。本工作并非采用假定有大量目标数据和计算力用于重训练的方法，而是应对更具挑战性的课题：设计一种仅需极少新标注数据和训练时间的方法。我们通过设计专门的对比损失来高效利用少量标注样本来实现这一点。大量结果表明，3至5个标注即可得到具有以下精度的模型：1)显著缓解协变量偏移效应；2)匹配或超越其他适应方法；3)甚至接近在目标分布上完全重训练的方法。适应训练仅需几分钟，为模型性能、计算需求和专家级标注需求之间的平衡铺平了道路。
引用
@article{arxiv.2212.14121,
title = {CellTranspose: Few-shot Domain Adaptation for Cellular Instance Segmentation},
author = {Matthew Keaton and Ram Zaveri and Gianfranco Doretto},
journal= {arXiv preprint arXiv:2212.14121},
year = {2023}
}
备注
Accepted in WACV 2023