利用EfficientDet检测器在显微图像中定位与分类寄生虫卵
计算机视觉与模式识别
2022-08-04 v1 机器学习
摘要
由原生动物和蠕虫寄生虫引起的IPIs是低收入和中等收入国家人类最常见的感染之一。它们被视为严重的公共卫生问题，因为它们引发广泛的一系列潜在有害健康状况。研究人员一直在开发模式识别技术，用于自动识别显微图像中的寄生虫卵。现有方案仍需改进以减少诊断错误并生成快速、高效和准确的结果。我们的论文解决了这一问题，提出了一种多模态学习检测器，用于定位寄生虫卵并将其分类为11个类别。实验在新型的Chula-ParasiteEgg-11数据集上进行，该数据集用于训练带有EfficientNet-v2骨干的EfficientDet模型以及EfficientNet-B7+SVM。该数据集包含来自11个类别的11,000张显微训练图像。我们的结果显示出鲁棒性能，准确率为92%，F1得分为93%。此外，IOU分布说明了该检测器的高定位能力。
引用
@article{arxiv.2208.01963,
title = {Localization and Classification of Parasitic Eggs in Microscopic Images Using an EfficientDet Detector},
author = {Nouar AlDahoul and Hezerul Abdul Karim and Shaira Limson Kee and Myles Joshua Toledo Tan},
journal= {arXiv preprint arXiv:2208.01963},
year = {2022}
}
备注
6 pages, 7 figures, to be published in IEEE International Conference on Image Processing 2022