AlgaeDiff-Net：一种用于微藻自动物种识别与形态分析的密度感知扩散网络新框架

本文推荐一种创新的密度感知扩散网络AlgaeDiff-Net，该框架专为解决微藻检测中的密集菌落形成、种间形态相似性及尺度差异等核心挑战而设计。结合新构建的大规模数据集MODID-10K，其在高效检测（high-precision detection）和密集区域检测（dense-region detection at high IoU）方面分别实现13.2%和4.7%的性能提升，显著推进了藻类生物技术（biotechnology）及环境监测（environmental monitoring）的自动化水平。

　　

Highlight

AlgaeDiff-Net提出了一种新颖的密度感知扩散网络，用于微藻检测、物种分类和形态分析。

我们引入了MODID-10K，这是一个新整理的大规模数据集（包含15,238张图像，98,377个标注实例，涵盖四个主要生物类群的10个物种）。

该网络解决了三个核心挑战：密集菌落形成、物种间细微的形态相似性以及物种间的极端尺寸变异。

在MODID-10K上，它在高精度检测方面实现了13.2%的提升，在高交并比（IoU）下的密集区域检测方面提升了4.7%。

它能区分形态相似的物种，解析密集堆积的菌落，并检测小型单细胞类群，从而实现可扩展的分类学研究、生物多样性评估和培养监控。

Section snippets

VisAlgae 2023公共数据集

VisAlgae 2023数据集源自第二届国际“Vision Meets Algae”挑战赛，专为微藻细胞检测设计。它包含1000张图像，划分为700个训练样本和300个测试样本，涵盖六种不同的微藻物种：扁藻（Platymonas）、小球藻（Chlorella）、杜氏盐藻（Dunaliella salina）、Effrenium、紫球藻（Porphyridium）和雨生红球藻（Haematococcus）。

该数据集表现出显著的多尺度特征和复杂的背景干扰。不同物种和个体之间存在明显的尺寸差异。

实验概述

我们通过全面的实验来评估AlgaeDiff-Net，这些实验旨在解决微藻检测中的关键生物学挑战。我们的评估框架涵盖数据集分析、比较性能评估、消融研究以及在两个具有不同特征和挑战的互补数据集上的效率分析。

MODID-10K数据集统计与分布

我们的定制数据集包含10个微藻物种，根据其生长特性和形态分为四个生物类群：群体蓝细菌（Colonial Cyanobacteria）...

结论

在本文中，我们提出了AlgaeDiff-Net，一种用于微藻检测的新型密度感知扩散网络，解决了密集分布和形态相似性等挑战。在MODID-10K和VisAlgae 2023数据集上的评估表明，我们的模型优于最先进的方法，实现了4.9%的相对mAP提升（从0.778到0.816）。关键创新包括用于特征辨别的局部一致性模块（LCM）、用于密度先验的辅助密度估计模块（ADEM）、双蒸馏框架（Double Distillation Framework）以及动态DDIM采样策略（Dynamic DDIM sampling strategy），共同构成了首个针对微藻生物学约束量身定制的集成式密度感知扩散架构。