[논문 리뷰] ASF-YOLO: A Novel YOLO Model with Attentional Scale Sequence Fusion for Cell Instance Segmentation

Min-Seong Kang, Chee‐Ming Ting외 2명|arXiv (Cornell University)|2023. 12. 11.

Cell Image Analysis Techniques참고 문헌 45인용 수 17

한 줄 요약

ASF-YOLO는 주의 기반 스케일 시퀀스 융합(Attentional Scale Sequence Fusion)을 도입하여 다중 스케일 특징 융합을 향상시키고, 빠르고 정확한 세포 인스턴스 분할을 실현하며 공개 데이터셋에서 선도적인 지표를 달성합니다.

ABSTRACT

We propose a novel Attentional Scale Sequence Fusion based You Only Look Once (YOLO) framework (ASF-YOLO) which combines spatial and scale features for accurate and fast cell instance segmentation. Built on the YOLO segmentation framework, we employ the Scale Sequence Feature Fusion (SSFF) module to enhance the multi-scale information extraction capability of the network, and the Triple Feature Encoder (TFE) module to fuse feature maps of different scales to increase detailed information. We further introduce a Channel and Position Attention Mechanism (CPAM) to integrate both the SSFF and TPE modules, which focus on informative channels and spatial position-related small objects for improved detection and segmentation performance. Experimental validations on two cell datasets show remarkable segmentation accuracy and speed of the proposed ASF-YOLO model. It achieves a box mAP of 0.91, mask mAP of 0.887, and an inference speed of 47.3 FPS on the 2018 Data Science Bowl dataset, outperforming the state-of-the-art methods. The source code is available at https://github.com/mkang315/ASF-YOLO.

연구 동기 및 목표

• 주의 메커니즘과 다중 스케일 특징 융합을 통합하여 세포 인스턴스 분할을 향상시킨다.
• 스케일 시퀀스를 융합하고 분할에서 세부 정보 보존을 강화하는 모듈 개발.
• 채널 및 위치 주의로 정보가 풍부한 특징에 초점을 맞추어 탐지 및 분할을 향상시킨다.

제안 방법

• 다중 스케일 정보 추출을 보강하기 위해 스케일 시퀀스 특징 융합(SSFF) 도입.
• 더 풍부한 세부 정보를 위한 다중 스케일 간 특징 맵 융합에 트리플 특징 인코더(TFE) 도입.
• 정보가 있는 채널 및 공간 영역으로 SSFF와 TFE를 유도하기 위해 채널 및 위치 주의 메커니즘(CPAM) 적용.
• 빠르고 엔드투엔드 학습과 추론을 가능하게 하도록 YOLO 분할 프레임워크를 기반으로 구축.
• 박스 mAP 및 마스크 mAP를 포함한 두 개의 세포 데이터셋에서 성능 보고.

실험 결과

연구 질문

• RQ1 주의 기반 스케일 시퀀스 융합이 세포 인스턴스 분할을 위한 다중 스케일 특징 표현을 개선할 수 있는가?
• RQ2 SSFF, TFE, CPAM의 조합이 기존 YOLO 기반 방법들에 비해 탁월한 분할 정확도와 속도를 제공하는가?
• RQ3 표준 세포 분할 벤치마크에서의 성능 향상은 무엇인가?

주요 결과

• 박스 mAP 0.91 on the 2018 Data Science Bowl 데이터셋.
• 마스크 mAP 0.887 on the same dataset.
• 추론 속도 47.3 FPS on the 2018 Data Science Bowl 데이터셋.
• ASF-YOLO가 테스트된 세포 데이터셋에서 최첨단 방법들을 능가한다.
• 제안된 모듈들(SSFF, TFE, CPAM)이 탐지와 분할 품질을 시너지 효과로 함께 향상시킨다.