文章目录
2020
Automatic Label Correction for the Accurate Edge Detection of Overlapping Cervical Cells
code: https://github.com/nachifur/automatic-label-correction-CCEDD
准确的标记对于监督深度学习方法至关重要。本文利用深度学习模型精确分割多个重叠宫颈细胞的图像，提出了一种自动标记校正算法，以提高人工标记重叠宫颈细胞的边缘定位精度。我们的算法是基于梯度引导设计的，可以自动纠正重叠的宫颈细胞的边缘位置，以及使用不同标注器的人工标记之间的差异。利用该算法，我们构建了一个具有高标记精度的开放子宫颈细胞边缘检测数据集(CCEDD)。在训练数据集上的实验表明，我们的自动标签校正算法可以提高手动标签的精度，进一步提高了深度学习模型对重叠单元的定位精度。
2021
Contour Proposal Networks for Biomedical Instance Segmentation
code: https://github.com/FZJ-INM1-BDA/celldetection
大多数现有的方法都是直接处理单元格实例分割问题，而不依赖于额外的检测盒。由于缺乏对物体的整体理解，这些方法通常无法分离接触单元格。相比之下，基于盒子的实例分割通过结合目标检测和分割来解决这一问题。然而，现有的方法通常使用基于锚盒的检测器，由于类不平衡问题，导致实例分割性能较差。本文提出了一种新的基于盒子的单元格实例分割方法。特别是，我们首先通过关键点检测来检测细胞的五个预定义点。然后，我们根据一个关键点图对这些点进行分组，然后提取每个单元格的边界框。最后，对边界框内的特征图进行单元格分割。我们在两个具有不同对象形状的单元数据集上验证了我们的方法，并实证证明了我们的方法与其他实例分割技术相比的优越性。
标签：分割,单元格,标记,方法,论文,细胞,实例,合集 来源： https://blog.csdn.net/weixin_42990464/article/details/123115265
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。