小さく密集した対象を数える学習と細菌コロニーへの応用

arXiv cs.CV / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、画像からの細菌コロニー自動カウントを対象にし、小さいサイズ、密集（クラスタリング）した対象、高い注釈コスト、そして種をまたいだ汎化の難しさといった課題に焦点を当てています。
既存のFamNetを拡張した「ACFamNet」を提案し、小さく密集したコロニーを扱えるよう、位置合わせを伴う新しいROI（領域）プーリング手法と特徴量エンジニアリングの最適化を導入しています。
さらに全ての課題への対処として「ACFamNet Pro」を提示し、多頭注意（multi-head attention）と残差接続により、対象の動的な重み付けと勾配伝播（gradient flow）の改善を実現します。
実験では、ACFamNet Proが5-fold交差検証でMNAE（平均正規化絶対誤差）9.64%を達成し、ACFamNetより2.23%、FamNetより12.71%性能が向上したと報告されています。

Abstract

画像からの自動的な細菌コロニー計数は、ワクチンや抗生物質の開発に必要なデータを取得するために重要な手法である。しかし、細菌コロニーは計数に影響を与える独自のコンピュータビジョン上の課題を有しており、具体的には (1) 小さな物理サイズ、(2) 対象物のクラスタリング、(3) 高いデータ注釈コスト、(4) 限定的な種間一般化である。 FamNetは、クラスタ化された対象物に対して有効で、コストのかかるデータ注釈に効果的な確立された対象物計数手法であるが、小さなコロニーサイズや種間一般化に対してどの程度有効かは未解明である。最初の3つの課題に対処するために、位置合わせと最適化された特徴量エンジニアリングを用いた新規な領域関心（ROI）プーリングによって、小さくクラスタ化された対象物を扱うFamNetの拡張であるACFamNetを提案する。上記4つの課題すべてに対処するために、ACFamNet Proを導入し、ACFamNetにマルチヘッド注意（multi-head attention）と残差接続を追加することで、対象物の動的な重み付けを可能にし、勾配伝播を改善する。実験の結果、ACFamNet Proは5-fold交差検証下で平均正規化絶対誤差（MNAE）9.64%を達成し、ACFamNetおよびFamNetをそれぞれ2.23%および12.71%上回った。