Few-shot object detection of bacteria colonies

Abstract

Tämä opinnäytetyö pyrkii tutkimaan ja soveltamaan erilaisia lähestymistapoja vähäotos-tunnistamiseen bakteeripesäkkeiden havaitsemisessa.

Bakteerien tunnistaminen on tärkeä aihe monilla aloilla. Perinteisiä menetelmiä ovat kemiallinen analyysi ja erilaiset kuvankäsittelyalgoritmit. Tämä opinnäytetyö tutkii syväoppimisen lähestymistapaa valittuun ongelmaan löytääkseen yksinkertaisen ja tehokkaan ratkaisun.

Koska manuaalinen datankeruu on työlästä, tässä opinnäytetyössä keskitytään kehittämään lähestymistapaa vähäotos-tunnistamiseen, joka on optimoitu vähäiselle koulutusdatalle, alle kymmenelle merkitylle kuvalle.

Opinnäytetyössä tutkitaan ja hyödynnetään erilaisia tekniikoita, sekä malli- että datakeskeisiä, tehokkaimman ratkaisun löytämiseksi. Siinä käsitellään ja arvioidaan menetelmiä, kuten datan parannusta, metaoppimista ja neuroverkon hienosäätämistä.

Käytännön osassa pääpaino on hienosäätömenetelmien tutkiminen yhdessä datan parannusten, kuten erilaisten hienosäätöjen ja vastaavanlaisen lisädatan kanssa ja lopulta niiden suorituskyvyn vertaamisessa ja analysoinnissa.

Tulokset osoittavat, että hienosäätö on tehokas ja yksinkertainen strategia vähäotoskoulutukseen, erityisesti kun sitä yhdistetään muihin menetelmiin. Vastaavanlaisen lisädatan sisällyttäminen parantaa merkittävästi mallin suorituskykyä, ja datan hienosäädöt osoittavat myös hyviä tuloksia tietojoukon laajentamisessa.

Tämä työ edistää vähäotosoppimisen soveltamista datarajoitteisissa ympäristöissä. Ottaen huomioon bakteerien havaitsemisen haasteellisuuden, saadut tulokset ovat potentiaalisesti arvokkaita useilla aloilla ja sovelluksissa.

This thesis aims to research and apply various approaches to few-shot object detection to address the real-life problem of detecting bacterial colonies. Bacteria detection is an important topic across multiple fields. Traditional methods include chemical analysis and various image processing algorithms. This thesis investigates the development of the deep learning approach to the selected problem in order to find simple and effective solution.

Since manual data collection is a laborious task, this work puts emphasis on few-shot object detection, focusing on developing an approach optimized for minimal training data with less than 10 labeled images.

Various techniques, both model- and data-centric, are researched and utilized to identify the most efficient solution. Methods such as data augmentations, meta-learning, and fine-tuning are discussed and evaluated. The main emphasis of the practical part is on exploring the fine-tuning approach, together with data enhancements such as various augmentations and the use of additional close-domain data, and eventually comparing and analyzing their performance.

The findings suggest that fine-tuning is an effective and simple strategy for few-shot training, particularly when combined with other methods. Incorporating close-domain data significantly enhances model performance, and data augmentations also show good results in expanding the dataset size.

This work advances the application of few-shot learning in data-constrained environments. Given the specific challenge of bacteria detection, the insights gained are potentially valuable across multiple fields and applications.