論文の概要: Rethinking Cell Counting Methods: Decoupling Counting and Localization
- arxiv url: http://arxiv.org/abs/2503.13989v1
- Date: Tue, 18 Mar 2025 07:50:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:15:58.402536
- Title: Rethinking Cell Counting Methods: Decoupling Counting and Localization
- Title（参考訳）: 細胞計数法の再考:カウントとローカライゼーションの分離
- Authors: Zixuan Zheng, Yilei Shi, Chunlei Li, Jingliang Hu, Xiao Xiang Zhu, Lichao Mou,
- Abstract要約: 本稿では, 概念的にシンプルで効果的なセルカウントのための非結合学習手法を提案する。
計数と密度マップの推定を共同で学習するのとは対照的に、これらの目的を疎結合することで驚くほど結果が向上することを示す。
我々の重要な洞察は、疎結合学習は、高分解能密度マップを直接数えることを学ぶ必要性を軽減することである。
- 参考スコア（独自算出の注目度）: 20.458912966915843
- License:
- Abstract: Cell counting in microscopy images is vital in medicine and biology but extremely tedious and time-consuming to perform manually. While automated methods have advanced in recent years, state-of-the-art approaches tend to increasingly complex model designs. In this paper, we propose a conceptually simple yet effective decoupled learning scheme for automated cell counting, consisting of separate counter and localizer networks. In contrast to jointly learning counting and density map estimation, we show that decoupling these objectives surprisingly improves results. The counter operates on intermediate feature maps rather than pixel space to leverage global context and produce count estimates, while also generating coarse density maps. The localizer then reconstructs high-resolution density maps that precisely localize individual cells, conditional on the original images and coarse density maps from the counter. Besides, to boost counting accuracy, we further introduce a global message passing module to integrate cross-region patterns. Extensive experiments on four datasets demonstrate that our approach, despite its simplicity, challenges common practice and achieves state-of-the-art performance by significant margins. Our key insight is that decoupled learning alleviates the need to learn counting on high-resolution density maps directly, allowing the model to focus on global features critical for accurate estimates. Code is available at https://github.com/MedAITech/DCL.
- Abstract（参考訳）: 顕微鏡画像中の細胞カウントは、医学や生物学において不可欠だが、手動で行うのは非常に面倒で時間がかかる。
近年、自動化手法は進歩しているが、最先端のアプローチはますます複雑なモデル設計をしがちである。
本稿では,個別のカウンタとローカライザネットワークからなる,概念的にシンプルだが効果的なセルカウントのための分離学習手法を提案する。
計数と密度マップの推定を共同で学習するのとは対照的に、これらの目的を疎結合することで驚くほど結果が向上することを示す。
このカウンタは画素空間ではなく中間特徴写像で動作し、大域的コンテキストを活用してカウント推定を生成するとともに、粗い密度写像を生成する。
ローカライザは、個々の細胞を正確にローカライズする高分解能密度マップを再構築し、元の画像に条件付けし、カウンターから粗い密度マップを作成する。
さらに、カウント精度を高めるために、クロスリージョンパターンを統合するグローバルメッセージパッシングモジュールも導入する。
4つのデータセットに対する大規模な実験は、その単純さにもかかわらず、我々のアプローチが一般的な実践に挑戦し、最先端のパフォーマンスをかなりのマージンで達成していることを示している。
我々の重要な洞察は、疎結合学習は、高解像度の密度マップを直接数えることを学ぶ必要性を軽減し、モデルが正確な推定に不可欠なグローバルな特徴に集中できるようにすることである。
コードはhttps://github.com/MedAITech/DCLで入手できる。
関連論文リスト
- A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
現在の手動のデジタル化手法は時間と労力がかかる。
本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
論文 参考訳（メタデータ） (2024-10-21T12:47:36Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳（メタデータ） (2024-01-25T07:28:22Z) - Keypoint-Augmented Self-Supervised Learning for Medical Image
Segmentation with Limited Annotation [21.203307064937142]
本稿では,短距離と長距離の両方の自己注意を保った表現を抽出するキーポイント拡張融合層を提案する。
特に,長距離空間の自己意識を学習する追加入力を組み込むことで,CNN機能マップを複数スケールで拡張する。
提案手法は,より堅牢な自己アテンションを生成することにより,既存のSSLメソッドよりも優れる。
論文 参考訳（メタデータ） (2023-10-02T22:31:30Z) - Improved Counting and Localization from Density Maps for Object
Detection in 2D and 3D Microscopy Imaging [4.746727774540763]
密度マップから対象をカウント・ローカライズする別の方法を提案する。
その結果,2次元および3次元顕微鏡データにおけるオブジェクトのカウントとローカライゼーションの性能が向上した。
論文 参考訳（メタデータ） (2022-03-29T15:54:19Z) - CAMERAS: Enhanced Resolution And Sanity preserving Class Activation
Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。
CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文 参考訳（メタデータ） (2021-06-20T08:20:56Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Recurrent Distillation based Crowd Counting [23.4315417286694]
本稿では,様々な混み合った場面で最先端のパフォーマンスを達成できる,シンプルで効果的な群集カウントフレームワークを提案する。
実験では、提案したトレーニングアルゴリズムにより、単純な畳み込みニューラルネットワークアーキテクチャが強化され、我々のモデルは最先端の手法に匹敵するか、比較できることを示した。
論文 参考訳（メタデータ） (2020-06-14T01:04:52Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z) - Adaptive Mixture Regression Network with Local Counting Map for Crowd
Counting [16.816382549827214]
そこで我々は,密度マップに基づくアプローチよりも正確な結果を得るために,LCM (Local counting map) という新しいターゲットを導入する。
また、3つのモジュールからなる適応型混合回帰フレームワークを粗大な方法で提案し、群衆推定の精度をさらに向上させる。
論文 参考訳（メタデータ） (2020-05-12T13:54:05Z) - Towards Using Count-level Weak Supervision for Crowd Counting [55.58468947486247]
本稿では,少数の位置レベルのアノテーション(十分に教師された)と大量のカウントレベルのアノテーション(弱教師付き)からモデルを学習する,弱教師付き群集カウントの問題について検討する。
我々は、生成した密度マップの自由を制限するための正規化を構築するために、単純なyet効果のトレーニング戦略、すなわちMultiple Auxiliary Tasks Training (MATT)を考案した。
論文 参考訳（メタデータ） (2020-02-29T02:58:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。