RepMode：学习重参数化多样化专家用于亚细胞结构预测
计算机视觉与模式识别
2023-03-28 v2 人工智能
摘要
在生物学研究中，荧光染色是揭示亚细胞结构位置与形态的关键技术。然而，它缓慢、昂贵且对细胞有害。在本文中，我们将其建模为一个称为亚细胞结构预测（SSP）的深度学习任务，旨在从一张三维透射光图像预测多个亚细胞结构的三维荧光图像。遗憾的是，由于当前生物技术的限制，SSP 中每张图像仅被部分标注。此外，亚细胞结构在尺寸上自然差异显著，这导致了 SSP 的多尺度问题。为克服这些挑战，我们提出重参数化多样化专家混合（RepMode），一种以任务感知先验动态组织其参数以处理指定单标签预测任务的网络。在 RepMode 中，多样化专家混合（MoDE）块被设计用于学习所有任务的通用参数，并执行门控重参数化（GatRep）以为每个任务生成专用参数，借此 RepMode 可保持如普通网络般紧凑的实际拓扑，同时实现强大的理论拓扑。综合实验表明，RepMode 在 SSP 中可达到最先进的整体性能。
引用
@article{arxiv.2212.10066,
title = {RepMode: Learning to Re-parameterize Diverse Experts for Subcellular Structure Prediction},
author = {Donghao Zhou and Chunbin Gu and Junde Xu and Furui Liu and Qiong Wang and Guangyong Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2212.10066},
year = {2023}
}
备注
Accepted by CVPR2023 (Highlight)