基于可切换卷积和特征金字塔网络的 FFU 图像病毒与小细胞斑块检测
计算机视觉与模式识别
2026-05-22 v1
摘要
准确检测和计数 FFU 图像（即焦点图像）中的病毒斑块对于量化病毒感染和分析细胞结构至关重要。但由于生物医学目标在尺寸、密度、对比度和形状上差异巨大，这一任务具有挑战性。本文提出一种基于改进 YOLOv2 的检测器，集成特征金字塔网络 (FPN) 以提高多尺度特征表示。我们还采用可切换空洞卷积机制，以适应密集显微图像中对细粒目标的感受野。该方法在生物医学焦点图像数据集上进行了病毒斑块和小细胞斑块检测评估。对于小细胞斑块检测，模型在 25% 的交并比阈值下达到 40.5% 的平均精度 (mAP)。对于 FFU 病毒斑块检测，模型达到 68% 的 mAP。这些结果表明，结合 FPN 特征融合和可切换卷积有助于提高 YOLOv2 在专业生物医学目标检测任务中的适用性。
引用
@article{arxiv.2605.22290,
title = {Detection of Virus and Small Cell Patches in Foci Images Using Switchable Convolution and Feature Pyramid Networks},
author = {Amrita Singh and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:2605.22290},
year = {2026}
}