Nov, 2019

堆叠的密集光流与Dropout层用于预测精子运动和形态

HTML
PDF
TL;DR本文探讨使用两种深度学习方法，预测精子运动能力和形态的相关问题。通过使用两种不同的输入形式，视频的堆叠式纯帧和视频帧的密集光流，修改了模型卷积神经网络以解决预测运动能力和形态的回归任务。同时，本文引入了多层感知机以及去除神经元的dropout层，提高了模型预测精准度。鉴于分析结果，当输入包括光流和原始视频帧的密集光流时，使用具备附加多层感知机的应用程序能够获得最佳结果。
发现论文，激发创造
  • 从视频中学习卷积神经网络中的动作提取

    本文提出了一种卷积神经网络用于从视频中提取密集的光流，旨在为深度架构构建潜在的模块，以允许在视频中使用运动而无需借助外部算法，通过考虑信号处理原则构建网络结构，强制“旋转不变性”，并提供一种分布式表示运动的方法。

    Jan, 2016

  • 使用深度体素流合成视频帧

    通过融合光流和深度学习的方法，我们提出了一种无需人工监督的视频帧合成技术，通过流动像素值来预测新帧，实验表明该方法在定量和定性上都优于现有技术。

    Feb, 2017

  • 稠密流DenseNet

    本研究利用深度学习中的DenseNet架构，纵向连接对求解密集光流估计问题具有隐式深度监督的特点，扩展当前DenseNet到全卷积网络，通过无监督学习的方式实现了运动估计。实验结果在三个标准基准测试中证明，相较于其他广泛采用的CNN架构，DenseNet更适合进行光流估计。

    Jul, 2017

  • 使用自编码器将时间特征提取到空间域中，用于精子视频分析

    本文提出了一个深度学习方法，通过人类精子的视频记录来预测精子运动和形态。该方法使用自动编码器从视频中提取时间特征，并将其绘制为图像，称为特征图像，用于转移学习以预测人类精子的运动和形态。该方法可以提取时间信息并用于传统的卷积神经网络中。此外，预测精液样品运动能力的准确性表明，基于深度学习的模型可以捕获人类精子镜下的时间信息。

    Nov, 2019

  • VISEM-Tracking：人类精子跟踪数据集

    本文介绍了一种新的数据集 VISEM-Tracking，其中包含有20个视频录像的精子制备的30秒湿样中所观察到的使用手动标记的边界框坐标和专家分析的精子特征的数据集，同时还提供了未经标注的视频片段，可通过自我或无监督学习等方法进行易于使用的访问和数据分析。文章还介绍了使用在VISEM-Tracking数据集上训练的YOLOv5深度学习模型的基线精子检测性能，从而表明该数据集可用于训练复杂的深度学习模型来分析精子。

    Dec, 2022

  • 基于深度学习的睾丸组织组织学图像中小管上皮层分割方法

    本文提出了一种基于卷积神经网络的自动化测试icular组织组织病理图像处理方法，使用深度学习技术实现对睾丸上皮层的自动分割，并取得了较好的结果。

    Jan, 2023

  • 利用卷积神经网络迁移学习算法非破坏性检测鸡蛋的受精情况

    通过对200个鸡蛋图像进行训练和评估（应用了增强图像技术），本研究探索了CNN-迁移学习在精密禽类孵化场中非破坏性鸡蛋受精率检测的应用。结果表明，InceptionNet模型在区分有受精和无受精鸡蛋方面表现最佳，通过独特的架构捕捉了不同尺度的特征，从而提高了准确性和稳健性。然而，对其他模型在准确检测鸡蛋受精率方面存在的局限性，需要进一步优化和微调模型以提高性能。该研究突出了CNN-迁移学习在非破坏性受精率检测中的潜力，并强调了进一步研究以提升模型能力和保证准确分类的必要性。

    Sep, 2023

  • 自动精子评估框架和专用于精子视频识别的神经网络

    通过构建视频数据集以及使用深度学习方法进行精子鉴定，研究提出了RoSTFine网络，在提高精子鉴定性能的同时，强调了重要的精子部位（即头部和颈部）的注意力。

    Nov, 2023

  • 用深度神经网络学习多细胞图的动态

    我们提出了使用基于图的深度神经网络来预测多细胞集体的运动性，并展示了该方法在多细胞生物系统中的应用。随着多细胞数据的增加，我们提议创建一个多细胞数据库，从中构建一个大型多细胞图模型，以进行多细胞组织的普适性预测。

    Jan, 2024

  • 深度学习光流在获取活性液晶的速度场方面优于PIV

    基于深度学习的光流（DLOF）通过使用深度卷积神经网络在相邻视频帧中提取特征来估计像素级别的物体间动作，并对不同标记条件下的MT活性液晶的自发流动进行了数量化能力评估。我们比较了DLOF和常用技术粒子成像测速仪（PIV）的效果，发现对于密集标记的样品，DLOF产生的速度场比PIV显著更准确。我们展示了PIV的故障是因为该算法在高密度情况下无法可靠区分方向平行于液晶导向子的对比度变化。而DLOF克服了这个限制。对于稀疏标记的样品，DLOF和PIV的结果具有类似的准确度，但DLOF提供更高分辨率的场。我们的工作将DLOF确立为一种在广泛的活性、柔性和生物物理系统中测量流体流动的多功能工具。

    Apr, 2024