Fine-Grained Classification for Depth Estimation From Monocular Microscopy for Robotic Micromanipulation of Motile Cells
Notice bibliographique
Résumé
Manipulation of motile cells is crucial for biological research and clinical applications. However, obtaining Z-axis visual feedback under monocular microscopy remains a challenge for robotic micromanipulation. Traditional depth-from-focus and depth-from-defocus methods fail to handle motile cells due to time-consuming focus search or inaccurate defocus modeling. This paper addresses these limitations by reformulating depth estimation as a fine-grained multi-class depth classification problem that exploits the shallow depth-of-field characteristic of microscopy. We propose a Fine-Grained Attention Fusion Module (FGAF-Module) that combines multi-scale grouped convolution for extracting subtle depth-related features with attention mechanisms to focus on discriminative regions in cell images. Additionally, channel-based feature augmentation methods, including CrossNorm and SelfNorm, enhance fine-grained feature discrimination while improving model generalization to handle morphological variations during cell movement. A weighted loss function further guides the model to distinguish between adjacent depth categories by penalizing errors proportionally to depth differences. For network training evaluation, the FGAF-module enhanced network achieved 83.52% top-1 classification accuracy and 96.88% top-3 classification accuracy while maintaining real-time performance at 90 frames per second. To demonstrate the capability of our approach in providing visual feedback for robotic manipulation of motile cells, the trained depth estimation model was integrated into a robotic sperm aspiration system. The model provided real-time visual depth feedback to guide 3D pipette localization during sperm aspiration procedures, achieving a 92% success rate for live motile sperm aspiration. These results validate the effectiveness of fine-grained classification for monocular depth estimation in micromanipulation applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».