用于显微图像分类的多域学习 CNN 模型
计算机视觉与模式识别
2023-04-24 v1
摘要
对于任意类型的显微图像,要使深度学习模型表现良好,都需要耗费大量精力来选择合适的架构并投入时间训练。由于显微镜与实验设置种类繁多,设计一个可应用于多个成像域的单一模型,而非为每个域分别建立多个模型,变得愈发重要。该任务具有挑战性,且在文献中某种程度上被忽视了。本文提出了一种用于分类类型与内容差异显著的显微图像的多域学习架构。与先前计算密集的方法不同,我们通过结合简单而高效的可分离深度卷积与 Inception 模块技术,开发了一个紧凑模型,称为 Mobincep。我们还引入了一种新的优化技术,在训练过程中调节潜在特征空间以提升网络性能。我们在三个不同的公共数据集上评估了模型,并比较了其在单域与多域学习模式下的性能。所提出的分类器超越了 SOTA 结果,并对有限标注数据具有鲁棒性。此外,它有助于消除在切换到新实验时设计新网络的负担。
引用
@article{arxiv.2304.10616,
title = {Multi-domain learning CNN model for microscopy image classification},
author = {Duc Hoa Tran and Michel Meunier and Farida Cheriet},
journal= {arXiv preprint arXiv:2304.10616},
year = {2023}
}