目睹闰土刺猹的瓜的博客

在医学图像分析领域，细胞定位是一个至关重要的任务，涉及在图像中精确预测细胞的位置。当前的定位方法使用基于卷积神经网络（CNN）模型和普通卷积来预测密度图。然后，通过局部最大搜索策略来处理这些密度图，以获得细胞的位置和数量信息。然而，这种方法存在三个主要问题。首先，基于普通卷积的CNN模型难以处理细胞颜色的显著变化。其次，密度图不能提供准确的细胞位置和梯度信息，尤其在密集区域，导致信息丢失。最后，密度图的后处理策略容易受到背景噪声和正负细胞之间的干扰。

医学病理图像分析中的细胞定位是一项具有挑战性的任务，因为细胞的形状、大小和颜色变化显著。现有的定位方法继续分别应对这些挑战，经常面临这些困难相互交织并对模型性能产生不利影响的复杂情况。在本文中，首先将这些挑战重新界定为细胞图像和位置地图之间特征不对齐的问题，然后进行综合处理。具体而言，我们提出了一种基于多尺度超图注意网络的特征对齐模型。该模型将特征图中的局部区域视为节点，并利用可学习的相似性度量在不同尺度下构建超图。然后，我们利用超图卷积网络来汇总与节点相关的特征，并实现细胞图像和位置地图之间的特征对齐。

Hypergraph Association Weakly Supervised Crowd Counting提出了一种新的超图关联模块，通过编码特征之间的高阶关联来解决人群密度分布不均匀的问题，为解决这一问题开辟了新的方向。在多个数据集上的实验结果表明，我们的HACC模型取得了最新的结果。

先放论文：图神经网络(GCN):https://arxiv.org/pdf/1606.09375.pdfhttps://arxiv.org/pdf/1606.09375.pdf超图神经网络(HGN):https://arxiv.org/pdf/1809.09401.pdfhttps://arxiv.org/pdf/1809.09401.pdf两者区别总结：图卷积神经网络是卷积神经网络在图域上的自然推广，弥补了CNN中平移不变性在非矩阵结构数据上不适用的问题，使得网络能够对输入数据的图结.