用于显微材料图像大规模纤维检测与跟踪的无监督学习
计算机视觉与模式识别
2018-05-28 v1
摘要
从连续切片数据构建 3D 结构是显微学中一个长期存在的问题。可以使用基于检测的跟踪模型来重建纤维增强复合材料的结构。基于检测的跟踪算法严重依赖检测精度，尤其是召回率。最先进的纤维检测算法在理想条件下表现良好，但在由于材料表面污染物和/或散焦模糊导致图像质量局部下降的地方则不准确。卷积神经网络（CNN）可用于解决此问题，但需要大量人工标注的纤维，而这些标注是无法获取的。我们提出了一种无监督学习方法，用于大规模准确检测纤维，且对图像质量的局部下降具有鲁棒性。该方法不需要人工标注，而是利用纤维形状/尺寸先验和跟踪中的时空一致性，在 CNN 的训练中模拟监督。实验表明，与最先进的纤维检测算法相比，该方法取得了显著改进，并具有先进的跟踪性能。
引用
@article{arxiv.1805.10256,
title = {Unsupervised Learning for Large-Scale Fiber Detection and Tracking in Microscopic Material Images},
author = {Hongkai Yu and Dazhou Guo and Zhipeng Yan and Wei Liu and Jeff Simmons and Craig P. Przybyla and Song Wang},
journal= {arXiv preprint arXiv:1805.10256},
year = {2018}
}