Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Segmentation statique par suivi : une approche efficace en termes d'étiquetage pour la segmentation fine des images d'échantillons

Created by
  • Haebom

Auteur

Zhenyang Feng, Zihe Wang, Jianyang Gu, Saul Ibaven Bueno, Tomasz Frelek, Advikaa Ramesh, Jingyan Bai, Lemeng Wang, Zanming Huang, Jinsu Yoo, Tai-Yu Pan, Arpita Chowdhury, Michelle Ramirez, Elizabeth G. Campolongo, Matthew J. Thompson, Christopher G. Lawrence, Sydne Record, Neil Rosser, Anuj Karpatne, Daniel Rubenstein, Hilmar Lapp, Charles V. Stewart, Tanya Berger-Wolf, Yu Su et Wei-Lun Chao.

Contour

Cet article étudie la segmentation des traits dans le domaine biologique, notamment dans les images de spécimens (par exemple, les rayures des ailes de papillons, les élytres des coléoptères). Cette tâche détaillée est importante pour la compréhension de la biologie des organismes, mais elle est laborieuse car elle nécessite l'annotation manuelle de masques de segmentation pour des centaines d'images par espèce. Pour résoudre ce problème, nous proposons une méthode efficace en termes d'étiquetage, appelée segmentation statique par suivi (SST), basée sur l'idée importante que les spécimens d'une même espèce présentent des variations naturelles, mais que les traits d'intérêt apparaissent de manière cohérente. La SST concatène les images de spécimens en « pseudo-vidéos » et recadre la segmentation des traits comme un problème de suivi. La SST génère des masques pour les images non étiquetées en propageant des masques annotés ou prédits à partir d'images « pseudo-avant ». S'appuyant sur des modèles de segmentation vidéo de pointe tels que Segment Anything Model 2, la SST permet une segmentation des traits de haute qualité avec une seule image étiquetée par espèce, marquant une avancée majeure dans l'analyse d'images de spécimens. Pour améliorer encore la qualité de la segmentation, nous introduisons une perte de cohérence circulaire qui, là encore, ne nécessite qu'une seule image étiquetée. Nous démontrons également le vaste potentiel de la SST, notamment la segmentation d'instances ponctuelles et la recherche d'images basées sur les caractéristiques dans les images naturelles.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons une méthode efficace en termes d'étiquetage (SST) qui permet une segmentation des caractéristiques de haute qualité avec une seule image étiquetée par espèce.
◦
Gagnez du temps et des efforts par rapport aux tâches d’annotation manuelles traditionnelles.
◦
Application efficace de modèles de segmentation vidéo de pointe tels que Segment Anything Model 2 à l'analyse d'images biologiques.
◦
Il présente un potentiel pour une variété d’applications, notamment la segmentation d’instances ponctuelles et la récupération d’images basée sur des fonctionnalités.
◦
Amélioration de la qualité de la segmentation grâce à la perte de cohérence circulaire.
•
Limitations:
◦
Les performances de la méthode proposée peuvent dépendre de la qualité et de la cohérence des images utilisées pour générer les « pseudo-vidéos ».
◦
Une évaluation supplémentaire des performances de généralisation pour différents types d’échantillons biologiques est nécessaire.
◦
L’applicabilité aux espèces présentant une variation extrême des traits doit être revue.
◦
La validation expérimentale sur de grands ensembles de données peut faire défaut.
👍
Made with Slashpage