本文提出了一种新颖的基于注意力的YOLO框架（ASF-YOLO），用于细胞实例分割。该框架结合多尺度特征提取和注意机制，显著提高了检测和分割性能。在2018年Data Science Bowl数据集上，ASF-YOLO实现了0.91的框mAP和47.3 FPS的推理速度，优于现有方法，验证了其在细胞分割中的有效性。

本文介绍了一种基于弱监督学习的核分割框架，结合半监督策略和深度神经网络，减少了对标注数据的依赖。研究表明，该方法在多个数据集上表现优异，特别是在细胞实例分割和领域适应方面，显著提高了精度和效率。

ASF-YOLO是一种新的基于注意力尺度序列融合的YOLO框架，用于细胞实例分割。它采用尺度序列特征融合和三重特征编码器模块来增强多尺度信息提取能力，并引入通道和位置注意机制来提高检测和分割性能。实验证明ASF-YOLO在细胞数据集上具有显着的分割准确性和速度。

ASF-YOLO是一种新的基于注意力尺度序列融合的YOLO框架，用于细胞实例分割。它采用尺度序列特征融合和三重特征编码器模块来增强多尺度信息提取能力，并引入通道和位置注意机制来提高检测和分割性能。实验证明ASF-YOLO在细胞数据集上具有显着的分割准确性和速度。