$\epsilon$-Seg：显微数据的稀疏监督语义分割
计算机视觉与模式识别
2025-11-03 v2 人工智能
机器学习
摘要
生物样本电子显微镜（EM）图像的语义分割仍然是生命科学中的一项挑战。EM 数据捕捉了生物结构的细节，有时其复杂性甚至让人类观察者都感到难以应付。我们引入了 -Seg，这是一种基于分层变分自编码器（HVAEs）的方法，采用了中心区域掩码、稀疏标签对比学习（CL）、高斯混合模型（GMM）先验以及无聚类标签预测。中心区域掩码和图像修复损失鼓励模型学习稳健且具有代表性的嵌入，以区分所需类别，即使训练标签非常稀疏（占总图像数据的 0.05% 或更少）。为了获得最佳性能，我们采用 CL 和 GMM 先验来塑造 HVAE 的潜在空间，使得编码后的输入图像块倾向于根据我们希望区分的语义类别进行聚类。最后，我们不再对潜在嵌入进行聚类以进行语义分割，而是提出了一种 MLP 语义分割头，以直接从潜在嵌入预测类别标签。我们在 2 个密集的生物组织 EM 数据集上展示了 -Seg 和基线方法的实证结果，并证明了我们的方法同样适用于荧光显微镜数据。我们的结果表明，即使只有有限数量的训练标签可用，-Seg 也能够在复杂的生物图像数据上取得具有竞争力的稀疏监督分割结果。
引用
@article{arxiv.2510.18637,
title = {{\epsilon}-Seg: Sparsely Supervised Semantic Segmentation of Microscopy Data},
author = {Sheida Rahnamai Kordasiabi and Damian Dalle Nogare and Florian Jug},
journal= {arXiv preprint arXiv:2510.18637},
year = {2025}
}
备注
10 pages main text, 17 pages total