TSBP：通过测试时自引导边界框传播改进组织学图像中的目标检测
图像与视频处理
2024-09-26 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
在目标检测任务中，通常应用全局阈值（例如 0.5）来决定哪些边界框应包含在最终结果中。较高的阈值会减少假阳性，但可能导致漏掉相当一部分真阳性。较低的阈值可以提高检测召回率，但也可能导致更多的假阳性。因此，对所有边界框候选使用预设的全局阈值（例如 0.5）可能会导致次优解。在本文中，我们提出了一种测试时自引导边界框传播（TSBP）方法，利用 Earth Mover's Distance (EMD) 来增强组织学图像中的目标检测。TSBP 利用高置信度的边界框来影响低置信度的边界框，利用它们之间的视觉相似性。这种传播机制能够以可控、可解释且稳健的方式选择边界框，其有效性超越了使用简单阈值和不确定性校准方法。重要的是，与校准方法不同，TSBP 不需要额外的标注样本用于模型训练或参数估计。我们在组织学图像中的腺体检测和细胞检测任务上进行了实验。结果表明，我们提出的 TSBP 与 SOTA 基于深度学习的检测网络协同工作时，显著改善了检测结果。与不确定性校准等其他方法相比，TSBP 在不使用额外标注样本的情况下，产生了更稳健、更准确的目标检测预测。代码可在 https://github.com/jwhgdeu/TSBP 获取。
引用
@article{arxiv.2409.16678,
title = {TSBP: Improving Object Detection in Histology Images via Test-time Self-guided Bounding-box Propagation},
author = {Tingting Yang and Liang Xiao and Yizhe Zhang},
journal= {arXiv preprint arXiv:2409.16678},
year = {2024}
}
备注
MICCAI 2024