利用神经算术逻辑单元系统性设计更优的细胞图像实例计数模型

针对训练用于计数实例的神经网络模型，一个大问题是每当测试范围超出训练范围时泛化误差便会增大，即它们在训练范围外不是良好的泛化器。以细胞计数流程自动化为例，相较于训练数据所用图像，常见的是遇到细胞数更高、更密集的图像。通过对更高细胞计数范围做出更好预测，我们旨在构建更优泛化的细胞计数系统。随着用于算术运算的神经算术逻辑单元（NALU）架构的提出，对未包含在训练数据中的更高数值范围的计数任务已变得可行且更准确。作为研究的一部分，我们使用这些单元及若干其他激活函数，以全卷积回归网络与 U-Net 两种不同架构学习细胞计数任务。这些数值偏置单元以残差拼接层的形式加入原架构，并对这些新提出的改动进行了比较实验研究。该比较研究从以广泛数据增强技术训练的模型的回归损失优化角度加以阐述。通过在原有架构中以残差层拼接连接形式引入这些数值偏置单元，我们在细胞计数实验任务中取得了更优结果。我们的结果证实，上述数值偏置单元确实有助于模型学习数值量以实现更好的泛化结果。