通过统一数据集和Faster R-CNN实现可泛化的血细胞检测
计算机视觉与模式识别
2025-11-12 v1 机器学习
摘要
本文提出了一套完善的方法论与比较性性能分析，用于自动化分类和检测 Peripheral Blood Cells（PBCs）在显微镜图像中的对象。针对数据稀缺和异构性的挑战，首先开发了稳健的数据管道，将四个公开数据集（PBC、BCCD、Chula、Sickle Cell）整合为统一资源。随后采用最先进的Faster R-CNN目标检测框架，采用ResNet-50-FPN作为主干网络。严格比较训练评估了随机初始化的基线模型（方案1）与在Microsoft COCO数据集上预训练的迁移学习方案（方案2）。结果表明，迁移学习方法实现了显著更快的收敛速度和更佳的稳定性，最终验证损失为0.08666，显著优于基线。该方法论经验证，为构建高精度、可部署的自动血液学诊断系统奠定了坚实基础。
关键词
引用
@article{arxiv.2511.08465,
title = {Generalizable Blood Cell Detection via Unified Dataset and Faster R-CNN},
author = {Siddharth Sahay},
journal= {arXiv preprint arXiv:2511.08465},
year = {2025}
}
备注
7 pages, 7 tables, 3 figures, 2 algorithms, Submitted for review at Next-Gen Quantum and Advanced Computing: Algorithms, Security, and Beyond (NQComp-2026)