本文着重分析免疫细胞的活性，为医务工作者提供支持。识别频率空间选择包含相邻多个细胞的区域作为单个细胞是免疫细胞活性分析的主要问题之一。本研究关注免疫细胞特征的局部性，并使用高速加权方法进行分析，而文献中使用高斯分布。对一些著名的方法进行了分析，如最终特征映射、类激活映射（CAM）、梯度加权类激活映射、梯度CAM++和特征CAM。结果表明，CAM、Grad-CAM、Grad-CAM++和Eigen-CAM能正确地筛选出高密度的免疫细胞。这些算法还显示了相对于用于选择跟踪目标的阈值的稳定性。此外，较高的阈值使选择具有鲁棒性，较低的阈值有助于有效分析整个帧中多个单元的趋势。

1. [1] D.Ardila，A.P.Kiraly，S.Bharadwaj等人，“低剂量胸部CT三维深度学习的端到端肺癌筛查”，《自然医学》，第25卷，第6期，第954-961页，2019年。
2. [2] H.A.Leopold、J.Orchard、J.S.Zelek和V.Lakshminarayanan，“PixelBNN:通过批量归一化和呈现视网膜血管分割的快速架构来增强PixelCNN”，《成像杂志》，第5卷，第2期，第26条，2019年。
3. [3] Q.Li、W.Cai、X.Wang、Y.Zhou、D.D.Feng和M.Chen“利用卷积神经网络进行医学图像分类”，Proc。2014年第13届控制自动化机器人与视觉国际会议（ICARCV），第844-848页，2014年。
4. [4] C.Izumiya、T.Ushiwaka、T.Tsuduki、C.Yoshii、K.Taniguchi和N.Maeda，“通过延时成像估计减少子宫内膜异位症女性的腹膜NK细胞运动”，《生殖免疫学与生物学》，第32卷，第21-26页，2017年（日语）。
5. [5] J.Redmon、S.Divvala、R.Girshick和A.Farhadi，“你只看一次：统一的实时目标检测”，Proc。IEEE计算机视觉和模式识别会议（CVPR），第779-788页，2016年。
6. [6] J.Redmon和A.Farhadi，“YOLO9000：更好、更快、更强”，Proc。IEEE计算机视觉和模式识别会议（CVPR），第7263-7271页，2017年。
7. [7] W.Liu、D.Angelov、D.Erhan、C.Szegedy、S.Reed、C.Fu和A.C.Berg，“SSD：单触发多盒探测器”，Proc。《计算机视觉-ECCV 2016》，第21-37页，2016年。
8. [8] S.Ren、K.He、R.Girshick和J.Sun，“更快的R-CNN：利用区域提议网络实现实时目标检测”，IEEE Trans。关于模式分析和机器智能，第39卷，第6期，第1137-1149页，2016年。
9. [9] Q.Zhao、T.Sheng、Y.Wang、Z.Tang、Y.Chen、L.Cai和H.Ling，“M2Det:基于多层特征金字塔网络的单点目标检测器”，Proc。第33届AAAI人工智能大会，第9259-92662019页。
10. [10] S.Kusunose、Y.Shinomiya、T.Ushiwaka、N.Maeda和Y.Hoshino，“使用深度学习自动分析自动获取免疫细胞位置”，日本模糊理论和智能信息学学会杂志，第33卷，第1期，第560-565页，2021年（日语，英文摘要）。
11. [11] B.Zhou、A.Khosla、A.Lapedriza、A.Oliva和A.Torralba，“学习区分性本地化的深层特征”，Proc。IEEE计算机视觉与模式识别会议（CVPR），第2921-29292016页。
12. [12] R.R.Selvaraju、M.Cogswell、A.Das、R.Vedantam、D.Parikh和D.Batra，“Grad-cam：通过基于梯度的本地化从深层网络中进行视觉解释”，Proc。IEEE计算机视觉国际会议，第618-626页，2017年。
13. [13] A.Chattopadhay、A.Sarkar、P.Howlader和V.N.Balasubramanian，“Grad-CAM++：深度卷积网络的基于广义梯度的可视化解释”，Proc。2018年IEEE计算机视觉应用冬季大会（WACV），第839-847页，2018年。
14. [14] M.B.Muhammad和M.Yeasin，“特征CAM：使用主成分的类激活图”，Proc。2020年神经网络国际联合会议（IJCNN），2020年。
15. [15] M.Lin、Q.Chen和S.Yan，“网络中的网络”，Proc。2014年第二届国际学习代表大会。
16. [16] C.Szegedy、W.Liu、Y.Jia、P.Sermanet、S.Reed、D.Angelov、D.Erhan、V.Vanhoucke和A.Rabinovich，“用卷积更深入”，Proc。IEEE计算机视觉和模式识别会议（CVPR），2015年。
17. [17] K.He、X.Zhang、S.Ren和J.Sun，“图像识别的深度剩余学习”，Proc。IEEE计算机视觉和模式识别会议（CVPR），第770-778页，2016年。
18. [18] K.He、X.Zhang、S.Ren和J.Sun，“深度剩余网络中的身份映射”，Proc。欧洲计算机视觉会议（ECCV），第630-645页，2016年。
19. [19] I.Bello，W.Fedus，X.Du，E.D.Cubuk，A.Srinivas，T.Lin，J.Shlens，and B.Zoph，“Revisiting ResNets:Improved Training and Scaling Strategies”，《神经信息处理系统进展》34，Proc。第35届神经信息处理系统大会（NeurIPS 2021），2021年。
20. [20] C.G.Northcutt、A.Athalye和J.Mueller，“测试集中的普遍标签错误会破坏机器学习基准”，Proc。第35届神经信息处理系统大会（NeurIPS 2021）数据集和基准，2021年。
21. [21]R.Girshick、J.Donahue、T.Darrell和J.Malik，“丰富的特征层次用于准确的对象检测和语义分割”，Proc。IEEE计算机视觉和模式识别会议，第580-587页，2014年。
22. [22]R.Girshick，《快速R-CNN》，Proc。2015年IEEE计算机视觉国际会议（ICCV）第1440-1448页，2015年。