CVPRNov, 2017

基于超像素分割的 3D 地标跟踪器，用于神经科学和生物力学研究

PDF
TL;DR本文介绍了一种使用 SLIC 超像素方法进行标记分割的方法，使得对跑步啮齿动物的运动学分析变得更加准确、自动化，并最终实现对标记的 95% 正确分割。
locomotionmotor controlrodentskinematicsautomatic segmentation
发现论文，激发创造
  • 用于高效注释的 HER2 幻灯片超像素预分割

    本文探讨了超像素方法在肿瘤科学中的应用，并将其与其他方法进行了比较。评估结果表明，基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好，这为高效手动细化切片提供了支持。

    Jan, 2022

  • 使用深度学习进行用户定义特征的无标记跟踪

    通过深度神经网络的迁移学习方法，本论文提出了一种高效的无标记跟踪方法，可以在不同的实验环境中跟踪动物不同的身体部位，尤其在少量训练数据的情况下也能获得很好的跟踪效果。

    Apr, 2018

  • 视频目标分割的粗细视觉框架

    本研究提出了一种无监督的视频分析框架和原型系统来提取视频序列中的显著对象，其通过跟踪时间帧上的采样点，并结合 3D 空间中的超像素，将视频分为粗分割和细分割两步来实现，实验结果表明该方法在准确性和鲁棒性方面优于之前的方法。

    Sep, 2018

  • SpatialTracker: 在 3D 空间中跟踪任意 2D 像素

    通过估计 3D 空间中的点轨迹以减轻由图像投影引起的问题，本研究提出了一种名为 SpatialTracker 的方法，使用单目深度估计器将 2D 像素提升为 3D，并使用三平面表示高效地呈现每帧的 3D 内容，并使用变换器进行迭代更新以估计 3D 轨迹，通过在 3D 空间中进行跟踪，充分利用几乎刚性的约束，同时学习将像素分成不同刚性部件的刚性嵌入，广泛的评估结果显示，我们的方法在定性和定量上都实现了最先进的跟踪性能，特别是在包括平面外旋转等具有挑战性的场景中。

    Apr, 2024

  • 基于序列数据的学习方法在 3D LiDAR 数据中的运动物体分割

    本篇论文提出了一种基于 3D LiDAR 扫描的新颖的运动对象分割方法，可以将环境精确地分割为运动和静态对象，相比于其他先进的方法在城市环境中具有更高的分割质量。

    May, 2021

  • 电子显微镜分割算法的理想属性

    本研究提出一种新型的 EM 分割分类器训练算法，旨在降低对标注和错误修正任务的手动劳动需求，实验表明该方法较现有方法更适于神经重建。

    Mar, 2015

  • 大规模多假设细胞跟踪基于超指标轮廓映射

    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

  • 一种自监督方法用于大鼠图像的身体部位分割与关键点检测

    通过计算机视觉方法和深度神经网络，本文提出了一种能够解决个体组件识别、关键点检测和行为分析的系统，并且不受对象遮挡的影响，从而摆脱了对实验室动物手动标注的需求。

    May, 2024

  • 深度病变跟踪器：监测 4D 纵向成像研究中的病变

    本研究提出了基于深度学习的深度损伤跟踪器（DLT），该方法解决了长期研究中监测治疗反应的核心问题，即如何准确地对大量数据进行图像识别和解剖学研究，同时提高检测的速度和精度，该方法已在公共 DeepLesion 数据库上进行了测试和验证，并成功应用于肿瘤监测工作流程中。

    Dec, 2020

  • 机器学习的层次聚类用于 2D 和 3D 图像分割

    提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

    Mar, 2013