科研之友
微信
新浪微博
Facebook
分享链接
摘要
在目标检测任务中，细胞检测是一项非常具有挑战性的计算机视觉任务。原因在于细胞图像的低质量使得从图像中难以区分细胞和背景。基于卷积神经网络（CNN）的深度学习模型可用于解决该问题，但需要大量的人工标签用于训练。细胞图像的人工标记工作非常耗时耗力，而基于细胞图像获取弱标签是非常简单的。为了降低细胞检测工作的人工成本，提出了一套基于弱监督学习的自动化检测法，通过结合对细胞图像序列的追踪分析，使用时空监督来弥补弱标签的不足。首先使用弱标签训练U-Net模型，在训练过程中使用U-Net预测训练集，通过进行追踪分析来去除预测结果中的错误标记。之后将该结果作为标签继续训练U-Net。经过实验验证，使用弱标签训练出的U-Net具有接近全监督学习方法训练出的模型性能。
- 单位
