要約: 寒天培地のプレートの画像における細菌コロニーの検出と分類は微生物学において重要ですが、ラベル付きデータセットの不足により妨げられています。したがって、追加の訓練を一切行うことなく、複数の設定で細菌コロニーを検出・セグメントするゼロショット推論パイプラインである Colony Grounded SAM2 を提案します。事前学習済みのファウンデーションモデル Grounding DINO および Segment Anything Model 2 を、微生物学領域に合わせてファインチューニングすることにより、データの変化に頑健なモデルを開発しました。結果は平均適合率 (mAP) が 93.1％、Dice@detection スコアが 0.85 を示し、分布外データセットに対して優れた検出およびセグメンテーション能力を示しました。モデルウェイトを含む全体のパイプラインは、微生物学における注釈および分類目的を支援するために、オープンアクセスで共有されています。
Colony Grounded SAM2: 基盤モデルを用いたゼロショット検出と細菌コロニーのセグメンテーション
arXiv cs.CV / 2026/3/17
📰 ニュースTools & Practical UsageModels & Research
要点
- Colony Grounded SAM2 は、追加の訓練なしで細菌コロニーを検出・セグメントするゼロショット推論パイプラインであり、基盤モデルである Grounding DINO および SAM2 を用いる。
- このモデルは微生物学領域へ微調整され、データの変化に対して頑健で、分布外データセット上で平均適合率（mAP）93.1%、Dice@detection スコア 0.85 を達成する。
- 著者らはアノテーションと分類タスクを支援するため、パイプラインと重みを公開している。
- このアプローチは研究室での自動コロニー解析の障壁を低くし、ラベル付きデータセットへの依存を減らし、微生物学のワークフローをより迅速化する。
