面向形态无关细胞实例分割的少样本自适应

显微镜数据集的规模越来越大，获取也越来越频繁。为了充分利用这些数据，需要精确的定量分析工具，如细胞实例分割。由于数据的变异性，需要重新训练分割模型以在新数据集上保持高精度，这具有挑战性。对于像细菌这样具有细长和非凸形态的细胞分割尤其如此。我们提出通过引入一种少样本域自适应方法来减少重新训练模型所需的标注量和计算量，该方法只需标注新数据中1到5个细胞即可快速调整模型以保持高精度。我们的结果表明，在适应极具挑战性的细菌数据集后，精度显著提升。