通过全景域自适应与任务重加权实现显微图像的无监督实例分割
计算机视觉与模式识别
2020-05-06 v1
摘要
针对细胞核实例分割的无监督域自适应（UDA）对数字病理学至关重要，因为它减轻了劳动密集型标注和跨数据集域偏移的负担。在本工作中，我们提出了一种循环一致性全景域自适应Mask R-CNN（CyC-PDAM）架构，通过从荧光显微图像中学习，实现组织病理学图像中的无监督细胞核分割。更具体地说，我们首先提出了一种细胞核修复机制，以移除合成图像中辅助生成的物体。其次，设计了一个带有域判别器的语义分支，以实现全景级别的域自适应。第三，为避免源偏置特征的影响，我们提出了一种任务重加权机制，为任务特定的损失函数动态添加权衡权重。在三个数据集上的实验结果表明，我们提出的方法显著优于最先进的UDA方法，并展现出与全监督方法相似的性能。
引用
@article{arxiv.2005.02066,
title = {Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting},
author = {Dongnan Liu and Donghao Zhang and Yang Song and Fan Zhang and Lauren O'Donnell and Heng Huang and Mei Chen and Weidong Cai},
journal= {arXiv preprint arXiv:2005.02066},
year = {2020}
}
备注
Accepted by CVPR2020