論文の概要: Learning to count small and clustered objects with application to bacterial colonies

• arxiv url: http://arxiv.org/abs/2604.20030v1
• Date: Tue, 21 Apr 2026 22:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.874298
• Title: Learning to count small and clustered objects with application to bacterial colonies
• Title（参考訳）: 小型・クラスター化された物体の数え方と細菌コロニーへの応用
• Authors: Minghua Zheng, Na Helian, Peter C. R. Lane, Yi Sun, Allen Donald,
• Abstract要約: 本稿では,FamNetの拡張であるACFamNetを提案する。 ACFamNet Proは、マルチヘッドアテンションと残余接続を備えたACFamNetを拡張し、オブジェクトの動的重み付けを可能にする。 ACFamNet Pro は平均正規化絶対誤差 (MNAE) が 9.64% であり、それぞれ FamNet と FamNet を 2.23% と 12.71% で上回っている。
• 参考スコア（独自算出の注目度）: 2.578548162794322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated bacterial colony counting from images is an important technique to obtain data required for the development of vaccines and antibiotics. However, bacterial colonies present unique machine vision challenges that affect counting, including (1) small physical size, (2) object clustering, (3) high data annotation cost, and (4) limited cross-species generalisation. While FamNet is an established object counting technique effective for clustered objects and costly data annotation, its effectiveness for small colony sizes and cross-species generalisation remains unknown. To address the first three challenges, we propose ACFamNet, an extension of FamNet that handles small and clustered objects using a novel region of interest pooling with alignment and optimised feature engineering. To address all four challenges above, we introduce ACFamNet Pro, which augments ACFamNet with multi-head attention and residual connections, enabling dynamic weighting of objects and improved gradient flow. Experiments show that ACFamNet Pro achieves a mean normalised absolute error (MNAE) of 9.64% under 5-fold cross-validation, outperforming ACFamNet and FamNet by 2.23% and 12.71%, respectively.
• Abstract（参考訳）: 画像からの細菌コロニーの自動カウントは、ワクチンや抗生物質の開発に必要なデータを得るための重要な技術である。 しかし、細菌コロニーは、(1)小さな物理サイズ、(2)オブジェクトクラスタリング、(3)高いデータアノテーションコスト、(4)限られたクロス種一般化など、計数に影響を与える独自のマシンビジョン課題を呈している。 FamNetは、クラスタ化されたオブジェクトや高価なデータアノテーションに有効な確立されたオブジェクトカウント技術であるが、小さなコロニーサイズやクロス種の一般化に対する有効性はいまだ不明である。 最初の3つの課題に対処するため、我々はFamNetの拡張として、アライメントと最適化された機能エンジニアリングを備えた新しい関心領域を使用して、小さくてクラスタ化されたオブジェクトを処理するACFamNetを提案する。 上記の4つの課題に対処するために、ACFamNet Proを導入し、ACFamNetをマルチヘッド・アテンションと残差接続で強化し、オブジェクトの動的重み付けと勾配流の改善を可能にした。 ACFamNet Proは5倍のクロスバリデーションで平均正規化された絶対誤差(MNAE)を9.64%達成し、それぞれACFamNetとFamNetを2.23%、FamNetを12.71%上回った。

関連論文リスト

• Generalized Small Object Detection:A Point-Prompted Paradigm and Benchmark [54.91847070147244]
  小さい物体検出(SOD)は、非常に限られたピクセルとあいまいな物体の境界のために難しいままである。 これらの特徴は、挑戦的なアノテーション、大規模な高品質データセットの可用性の制限、そして本質的に小さなオブジェクトに対する弱いセマンティック表現をもたらす。 本研究では,小型オブジェクト検出のための大規模マルチドメインデータセットTinySet-9Mを導入することで,データ制限に対処する。
  論文  参考訳（メタデータ） (2026-04-03T06:32:18Z)
• PRUE: A Practical Recipe for Field Boundary Segmentation at Scale [50.194423500109025]
  本研究では,大域境界線決定のためのセグメント化と地理空間基盤モデル(GFM)を初めて体系的に評価する。 U-Netセマンティックセマンティックセグメンテーションモデルは、パフォーマンスとデプロイメントのメトリクスのスイートにおいて、インスタンスベースとGFMの代替よりも優れています。 我々のアプローチは、モデル設計、トレーニング、推論にまたがる、信頼性があり、スケーラブルで再現可能なフィールド境界記述のための実践的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2026-03-28T02:47:46Z)
• HIC-YOLOv5: Improved YOLOv5 For Small Object Detection [2.4780916008623834]
  改良されたYOLOv5モデル: 上記の問題に対処するためにHIC-YOLOv5を提案する。 バックボーンとネックの間には、インボリューションブロックが採用され、特徴マップのチャネル情報を増加させる。 我々の結果は、HIC-YOLOv5がmAP@[.5:.95]を6.42%改善し、mAP@0.5を9.38%改善したことを示している。
  論文  参考訳（メタデータ） (2023-09-28T12:40:36Z)
• Multi-scale Feature Aggregation for Crowd Counting [84.45773306711747]
  マルチスケール特徴集約ネットワーク(MSFANet)を提案する。 MSFANetは、ショートアグリゲーション(ShortAgg)とスキップアグリゲーション(SkipAgg)の2つの機能アグリゲーションモジュールで構成されている。
  論文  参考訳（メタデータ） (2022-08-10T10:23:12Z)
• TetraPackNet: Four-Corner-Based Object Detection in Logistics Use-Cases [60.01198542150638]
  tetrapacknetはcornernetにインスパイアされ、類似のベースアルゴリズムとアイデアを使っている。 定形物体の高精度検出が重要であるため、用途に指定されています。 このユースケースのために、我々のモデルを実世界のデータセットで評価する。
  論文  参考訳（メタデータ） (2021-04-19T08:22:14Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)
• PENet: Object Detection using Points Estimation in Aerial Images [9.33900415971554]
  これらの課題に対処するために,新しいネットワーク構造であるポイント推定ネットワーク(PENet)を提案する。 PENetはMask Resampling Module(MRM)を使用して、不均衡なデータセットを増大させ、粗いアンカーフリー検出器(CPEN)で小さなオブジェクトクラスタの中心点を効果的に予測し、微細なアンカーフリー検出器FPENで小さなオブジェクトの正確な位置を特定する。 航空データセット visDrone と UAVDT による実験により,PENet は既存の最先端手法よりも精度の高い結果を得た。
  論文  参考訳（メタデータ） (2020-01-22T19:43:17Z)

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。