An application of Pixel Interval Down-sampling (PID) for dense tiny microorganism counting on environmental microorganism images

要約

この論文は、より高い精度でタスクを数える高密度の小さな物体（酵母細胞）のための新しいピクセル間隔ダウンサンプリングネットワーク（PID-Net）を提案します。
PID-Netは、エンコーダーとデコーダーのアーキテクチャを備えたエンドツーエンドの畳み込みニューラルネットワーク（CNN）モデルです。
ピクセル間隔のダウンサンプリング操作は、最大プーリング操作と連結されて、スパース機能とデンス機能を組み合わせます。
これは、カウント中の密なオブジェクトの輪郭凝集の制限に対処します。
評価は、古典的なセグメンテーションメトリック（ダイス、ジャッカード、ハウスドルフ距離）とカウントメトリックを使用して実施されました。
実験結果は、提案されたPID-Netが、2448個の酵母細胞画像を含むデータセットで96.97 \％のカウント精度を達成した、高密度の小さなオブジェクトカウントタスクに対して最高のパフォーマンスと可能性を持っていることを示しています。
Attention U-Net、Swin U-Net、Trans U-Netなどの最先端のアプローチと比較することにより、提案されたPID-Netは、境界が明確で不正確な破片が少ない高密度の小さなオブジェクトをセグメント化できます。
正確なカウントのタスクにおけるPID-Netの大きな可能性。

要約(オリジナル)

This paper proposes a novel pixel interval down-sampling network (PID-Net) for dense tiny object (yeast cells) counting tasks with higher accuracy. The PID-Net is an end-to-end convolutional neural network (CNN) model with an encoder–decoder architecture. The pixel interval down-sampling operations are concatenated with max-pooling operations to combine the sparse and dense features. This addresses the limitation of contour conglutination of dense objects while counting. The evaluation was conducted using classical segmentation metrics (the Dice, Jaccard and Hausdorff distance) as well as counting metrics. The experimental results show that the proposed PID-Net had the best performance and potential for dense tiny object counting tasks, which achieved 96.97\% counting accuracy on the dataset with 2448 yeast cell images. By comparing with the state-of-the-art approaches, such as Attention U-Net, Swin U-Net and Trans U-Net, the proposed PID-Net can segment dense tiny objects with clearer boundaries and fewer incorrect debris, which shows the great potential of PID-Net in the task of accurate counting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google