基于电子显微镜图像中图像级注释的弱监督病毒 capsid 检测
计算机视觉与模式识别
2025-08-04 v1
摘要
当前状态的最佳方法用于对象检测依赖于大数据集的带边界框注释。然而，获取此类注释昂贵且可能需要数百小时的手动工作。这在注释只能由具有科学领域知识的专家提供的情况下尤为具有挑战性。为解决这一挑战，我们提出一种基于图像级注释的特定于领域的弱监督对象检测算法，这些注释显著易于获取。我们通过蒸馏知识来实现，该知识来自预训练模型，用于预测图像中病毒的存在或不存在，以获得可用于后续训练状态最佳对象检测模型的伪标签集合。为此，我们使用收缩感受野的优化方法直接提取病毒颗粒，而无需特定的网络架构。通过一系列广泛的研究，我们展示所提出的伪标签更容易获取，更重要的是，甚至在获取注释时间有限时，所提出的伪标签也能超越其他现有弱标记方法，甚至可以超过真实标签。
引用
@article{arxiv.2508.00563,
title = {Weakly Supervised Virus Capsid Detection with Image-Level Annotations in Electron Microscopy Images},
author = {Hannah Kniesel and Leon Sick and Tristan Payer and Tim Bergner and Kavitha Shaga Devan and Clarissa Read and Paul Walther and Timo Ropinski},
journal= {arXiv preprint arXiv:2508.00563},
year = {2025}
}