本文提出了一种基于图形的跟踪方法，使用新的本地成对特征，解决包含离群点的多切割问题并在 MOT16 基准测试上取得了最优效果。

Aug, 2016

定义了一个组合优化问题，其可行解定义了给定图形的分解和节点标记，并提出了两种局部搜索算法来高效地找到可行解，应用于计算机视觉任务达到 state-of-the-art 应用特定精度。

Nov, 2016

本文提出了一种用于植物视频处理的新型框架，旨在实现基于叶片水平的光合分析，解决了多叶片分割、对齐和跟踪问题，提出了两个优化问题来实现叶片对齐和跟踪，并提出了两个模型来为后续植物生物学分析提供指导。实验结果表明，该方法具有高效性、鲁棒性和有效性。

May, 2015

提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。

Mar, 2024

本文提出一种基于最小代价多切割公式的联合图模型，该模型结合了点轨迹和对象检测的高级信息和本地关系，成功地解决了运动分割和多目标跟踪等任务。

Jul, 2016

细胞追踪和分割是从大规模显微镜时间序列数据中提取洞见所必需的。本文引入了一种不确定性估计技术，将其整合到我们的新颖的扩展 Poisson 多伯努利混合追踪器中，以解决当前追踪方法长期一致性不足的问题。我们的方法在九个竞争数据集上评估，证明在生物相关指标上表现优于当前的最新技术，并实现了约 5.75 倍的改进。此外，我们还揭示了关于追踪 - by-regression 不确定性行为的新见解。

Mar, 2024

该论文针对运动分割中的局限性提出了一种基于超图的最小成本量切割方法和相应的启发式算法，准确构建出点轨迹的高阶图形模型，以更好地区分运动模型的不同变换，结果在 FBMS-59 数据集上表现优于现有技术。

Apr, 2017

通过分割选择方法实现大规模三维细胞追踪，该方法在两个方面对大规模显微数据集中的细胞追踪问题具有有效性：（i）能够解决拥有数百万分割实例的 TB 级三维时间数据集的问题；（ii）能够在不依赖稀缺的三维标注数据的情况下与使用深度学习的方法达到竞争水平。该方法通过分割假设的层次结构计算细胞轨迹和分割，并通过最大化相邻帧之间的重叠来选择不相交的分割。证明该方法在细胞追踪挑战中实现了最先进的结果，并且拥有更快的整数线性规划公式。此外，我们的框架灵活性强，支持来自现成细胞分割模型的分割，并能够将它们组合成一个提高追踪效果的整体。代码可以在此链接中找到：https:// 此链接网址

Aug, 2023

本文提出了一种基于随机森林分类器和卷积神经网络的分割方法，采用整数线性规划强制实现连续的细胞膜分割，成功避免了传统方法中的模糊细胞内部混合现象，同时降低了拓扑错误。

Feb, 2020

本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

Oct, 2019