CUPre：面向少样本细胞分割的跨域无监督预训练
计算机视觉与模式识别
2023-10-09 v1 人工智能
机器学习
摘要
尽管在目标检测任务（如 Common Objects in Contexts (COCO) [1]）上的预训练可显著提升细胞分割性能，但其仍消耗大量带精细标注的细胞图像 [2]（每幅图像中每个细胞均含边界框、掩码与细胞类型）来微调预训练模型。为降低标注成本，本工作研究面向少样本细胞分割的 DNN 模型预训练问题，其中存在大量无标注细胞图像，但仅有少量被标注。为此，我们提出跨域无监督预训练方法 CUPre，利用无标注图像将 COCO 上学得的通用的视觉目标检测与实例分割能力迁移至细胞视觉域。给定一个含骨干、颈部与头部模块的标准 COCO 预训练网络，CUPre 采用交替多任务预训练（AMT2）流程，包含两个子任务——在每轮预训练中，AMT2 首先通过无监督动量对比学习（MoCo）[3] 用多个细胞数据集的细胞图像训练骨干，随后用原始 COCO 数据集通过实例分割训练整个模型。预训练后，CUPre 使用少量标注图像在细胞分割任务上微调整个模型。我们在少样本实例分割设定下使用 LIVECell [2] 与 BBBC038 [4] 数据集对 CUPre 进行了充分实验评估。实验表明，CUPre 优于现有预训练方法，在少样本细胞分割与检测中取得最高平均精度（AP）。
引用
@article{arxiv.2310.03981,
title = {CUPre: Cross-domain Unsupervised Pre-training for Few-Shot Cell Segmentation},
author = {Weibin Liao and Xuhong Li and Qingzhong Wang and Yanwu Xu and Zhaozheng Yin and Haoyi Xiong},
journal= {arXiv preprint arXiv:2310.03981},
year = {2023}
}