ECCVFeb, 2022

微观视频细胞跟踪的图神经网络

PDF
TL;DR提出了一种基于图神经网络的细胞追踪方法，通过对细胞实例进行建模和关联，提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新，最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在 2D 和 3D 数据集上的实验结果表明其优于目前大部分细胞追踪方法，在细胞追踪和突出细胞形态变化上具有优势。
graph neural networkcell trackingmicroscopy videosdeep learningedge classification
发现论文，激发创造
  • 基于时空图神经网络的端到端视频实例分割

    本文提出了基于图神经网络（GNN）的视频目标实例分割方法，使用图中的节点表示实例特征来进行检测和分割，而使用表示实例关系的图中的边来进行跟踪，有效地传播和共享帧内外信息，同时优化检测、分割和跟踪三个问题，取得了优于现有方法的表现。

    Mar, 2022

  • 基于图神经网络的单细胞数据方法：最近的综述

    图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法，并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标，包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中，随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强，图神经网络将成为单细胞分析工作的核心。

    Oct, 2023

  • 基于图神经网络的大规模 MIMO 网络通道跟踪

    本文采用图神经网络方法，提出了一种适用于高速移动场景下的大规模 MIMO 网络的新型信道跟踪方法，通过少量导频进行初步的信道估计，将所得数据以图的形式表示并通过图上的边权来描述信道空间相关性，引入了主要单元的计算过程并设计了一个基于图神经网络的信道跟踪框架，包括编码器，核心网络和解码器 ，仿真结果证实了我们提出的基于 GNN 的方案比采用前馈神经网络方法的方案表现更好。

    Apr, 2020

  • 利用时间对称的深度学习方法增强细胞跟踪

    基于深度学习的细胞追踪方法，通过细胞的时空领域实现准确追踪，并能学习细胞的运动模式，适用于处理大量带有重要特征的视频帧。

    Aug, 2023

  • TrackMPNN: 一种用于多目标跟踪的消息传递图神经网络架构

    该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题，同时提供了有效的解决方案和建议，证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。

    Jan, 2021

  • 细胞图变换器用于细胞核分类

    核分类是计算机辅助诊断中的关键步骤，本文提出了一种基于细胞图变换器的新方法，通过在细胞图中处理节点和边缘作为输入标记，实现了可学习的邻接和信息交换，结合拓扑感知的预训练方法，显著提高了核分类结果并达到了最先进的性能。

    Feb, 2024

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 组织病理学中的直方图图表

    本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

    Aug, 2019

  • 用图神经网络建模交通参与者交互

    该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

    Mar, 2019

  • 计算机视觉中的图神经网络 —— 架构、数据集和常见方法

    该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如 GAT、GCN 和 GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。

    Dec, 2022