Bounding Box Priors for Cell Detection with Point Annotations

要約

赤血球などの個々の細胞タイプのサイズは、人によって大きく異なりません。
この知識を画像内のセルを分類および検出するための事前情報として使用しますが、ほとんどのセルには点で注釈が付けられていますが、グラウンド トゥルース バウンディング ボックスの注釈はわずかしかありません。
この設定は、弱い半教師あり学習につながります。
トレーニング プロセス中にポイントを確率的 (ST) ボックスまたはバウンディング ボックス予測に置き換えることを提案します。
提案された「平均 IOU」ST ボックスは、境界ボックスのクラス固有の近似事前確率分布を使用して、サンプル空間に属するすべてのボックスとのオーバーラップを最大化します。
私たちの方法は、最初にボックスラベル付きの画像でトレーニングし、次にポイントラベル付きの画像でトレーニングする既存の方法とは異なり、ボックスラベル付きの画像とポイントラベル付きの画像の両方を組み合わせてトレーニングします。
最も困難な設定では、5% の画像のみがボックス ラベル付けされている場合、尿データセットの定量的実験では、1 段階の方法が 2 段階の方法よりも 5.56 mAP 優れていることが示されています。
さらに、「ボックス ラベル付きの注釈はいくつ必要か」という部分的な回答を提供するアプローチを提案します。
機械学習モデルをトレーニングする前。

要約(オリジナル)

The size of an individual cell type, such as a red blood cell, does not vary much among humans. We use this knowledge as a prior for classifying and detecting cells in images with only a few ground truth bounding box annotations, while most of the cells are annotated with points. This setting leads to weakly semi-supervised learning. We propose replacing points with either stochastic (ST) boxes or bounding box predictions during the training process. The proposed ‘mean-IOU’ ST box maximizes the overlap with all the boxes belonging to the sample space with a class-specific approximated prior probability distribution of bounding boxes. Our method trains with both box- and point-labelled images in conjunction, unlike the existing methods, which train first with box- and then point-labelled images. In the most challenging setting, when only 5% images are box-labelled, quantitative experiments on a urine dataset show that our one-stage method outperforms two-stage methods by 5.56 mAP. Furthermore, we suggest an approach that partially answers ‘how many box-labelled annotations are necessary?’ before training a machine learning model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google