面向弱监督域适应电子显微镜分割的实例感知伪标签与面向类别的对比学习
计算机视觉与模式识别
2026-05-04 v2
摘要
对来自不同电子显微镜（EM）图像的众多线粒体实例进行注释效率高的分割在生物学和神经科学研究中具有重要价值。虽然无监督域适应（UDA）方法可以帮助缓解域移移并减少为每个域注释的高成本，但它们在实际应用中通常表现相对较低。因此，我们调查利用额外稀疏点标签进行弱监督域适应（WDA），该方法需要最小的注释 effort 和 minimal expert knowledge。为了充分利用不完整和不精确的点注释，我们引入一个多任务学习框架，联合进行分割和中心检测，并采用新颖的跨教学机制和面向类别的跨域对比学习。虽然利用无标签图像区域至关重要，但我们引入一种新颖的实例感知伪标签（IPL）选择策略进行分割自训练。不同于依赖像素级伪标签过滤的现有方法，IPL 通过检测任务的帮助，对可靠且多样的伪标签进行语义选择。对抗性数据集的全面验证和比较表明，我们的方法在显著缩小与受监督上限之间的性能差距方面优于现有的UDA和WDA方法。此外，在UDA设置下，我们的方法还在其他UDA技术上实现了显著提升。
引用
@article{arxiv.2510.16450,
title = {Instance-Aware Pseudo-Labeling and Class-Focused Contrastive Learning for Weakly Supervised Domain Adaptive Segmentation of Electron Microscopy},
author = {Shan Xiong and Jiabao Chen and Ye Wang and Jialin Peng},
journal= {arXiv preprint arXiv:2510.16450},
year = {2026}
}
备注
Accepted by Neuroinformatics