Deep Neural-Gas Clustering for Instance Segmentation across Imaging Experiments

Abstract

CNNs are characterized in particular by the ability to independently learn suitable features from a given data set. However, the resulting latent space is optimized for the given training data. Especially for tasks that require a high generalization ability, like e.g. the segmentation of single cells in a microscopic image across various experiments, these specific solutions might not offer optimal results. In this work, we improve generalization with an additional unsupervised training step that operates in the latent space. First experiments with the Kaggle cell segmentation competition data show a strong improvement in the generalization of acquired knowledge when using a soft- and hard-competitive Neural-Gas algorithm for deep clustering with a standard CNN architecture.

OriginalspracheEnglisch
Titel2020 International Joint Conference on Neural Networks (IJCNN)
Herausgeber (Verlag)IEEE
Erscheinungsdatum07.2020
Aufsatznummer9207602
ISBN (Print)978-1-7281-6926-2
ISBN (elektronisch)978-1-7281-6927-9
DOIs
PublikationsstatusVeröffentlicht - 07.2020
Veranstaltung2020 International Joint Conference on Neural Networks - Virtual, Glasgow, Großbritannien / Vereinigtes Königreich
Dauer: 19.07.202024.07.2020
Konferenznummer: 163566

Strategische Forschungsbereiche und Zentren

  • Querschnittsbereich: Intelligente Systeme
  • Zentren: Zentrum für Künstliche Intelligenz Lübeck (ZKIL)

DFG-Fachsystematik

  • 409-05 Interaktive und intelligente Systeme, Bild- und Sprachverarbeitung, Computergraphik und Visualisierung

Fingerprint

Untersuchen Sie die Forschungsthemen von „Deep Neural-Gas Clustering for Instance Segmentation across Imaging Experiments“. Zusammen bilden sie einen einzigartigen Fingerprint.

Zitieren