加权圆融合：来自不同目标检测结果的圆表示性融合
计算机视觉与模式识别
2024-12-02 v2
摘要
最近，圆表示方法的使用日益增长，旨在提高医学成像研究中球形物体（如糞样囊肿、细胞和细胞核）的识别。在传统基于边界框的目标检测中，组合来自多个模型的结果可显著提高准确性，尤其是在实时处理不是至关重要时。这一广泛采用的方法对于组合圆表示不够便利。在本文中，我们提出了加权圆融合(WCF)，一种简单的方法，用于合并来自各种圆检测模型的预测。我们的方法利用与每个提议边界圆关联的置信度得分来生成平均圆。我们在用于whole slide imaging(WSI)中糞样囊肿检测的专有数据集上评估了该方法，发现与现有集成方法相比，性能提升了5%。此外，我们评估了两种标注方法——完全手动标注和人机协同(HITL)方法——在标记20万个糞样囊肿方面的效率。HITL方法将机器学习检测与人类验证集成，显示出显著的标注效率提升。加权圆融合技术不仅提高了目标检测精度，而且显著减少了误检，为未来的研究和应用在病理图像分析中提供了有前景的方向。源代码已公开发布于https://github.com/hrlblab/WeightedCircleFusion。
引用
@article{arxiv.2406.19540,
title = {Weighted Circle Fusion: Ensembling Circle Representation from Different Object Detection Results},
author = {Jialin Yue and Tianyuan Yao and Ruining Deng and Quan Liu and Juming Xiong and Junlin Guo and Haichun Yang and Yuankai Huo},
journal= {arXiv preprint arXiv:2406.19540},
year = {2024}
}