由特权信息增强的伪标记及其在原位测序图像中的应用
计算机视觉与模式识别
2023-09-25 v1
摘要
计算机视觉研究界已探索了多种针对标签稀缺目标检测的策略。这些策略主要依赖于对自然图像特定的假设，无法直接应用于生物与生物医学视觉领域。例如，多数半监督学习策略依赖一小部分标注数据作为可靠的真实来源。然而，在许多生物视觉应用中，真实情况未知，且可能以噪声估计或正交证据的形式获得间接信息。本工作将空间转录组学中的关键问题——从原位测序（ISS）图像中解码条形码——构建为半监督目标检测（SSOD）问题。我们提出的框架以特权信息的形式将额外的可用信息源纳入半监督学习框架。该特权信息在师生自训练迭代中被融入教师的伪标记中。尽管可用的特权信息可能具数据领域特异性，我们仍引入了由特权信息增强的伪标记（PLePI）通用策略，并以ISS图像及使用CLIP提供的额外证据的COCO基准为例阐释该概念。
引用
@article{arxiv.2306.15898,
title = {Pseudo-Labeling Enhanced by Privileged Information and Its Application to In Situ Sequencing Images},
author = {Marzieh Haghighi and Mario C. Cruz and Erin Weisbart and Beth A. Cimini and Avtar Singh and Julia Bauman and Maria E. Lozada and Sanam L. Kavari and James T. Neal and Paul C. Blainey and Anne E. Carpenter and Shantanu Singh},
journal= {arXiv preprint arXiv:2306.15898},
year = {2023}
}
备注
This paper has been accepted for publication at IJCAI 2023