May, 2024

Trackastra：基于 Transformer 的细胞跟踪技术用于活细胞显微镜

PDF
TL;DR利用简单的 Transformer 架构直接学习细胞在时间窗口内的成对关联，从而提出一种通用的细胞跟踪方法，该方法能够在各种生物数据集（如细菌、细胞培养和荧光颗粒等）中表现与优化过的最先进细胞跟踪算法相媲美或更好，且能够避免复杂的关联步骤。
cell trackingimage analysislive-cell microscopytransformer architecturetrackastra
发现论文，激发创造
  • 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

  • TransTrack：基于 Transformer 的多目标跟踪

    本文提出了 TransTrack，该方法利用 Transformer 架构解决多目标跟踪问题，采用对象特征作为当前帧的查询并引入一组学习对象查询以检测新对象，通过实现单次检测和跟踪建立了新的联合检测和跟踪范例，在 MOT17 和 MOT20 基准测试中达到了 74.5％和 64.5％的 MOTA，是一种优秀的多目标跟踪方法。

    Dec, 2020

  • 全球跟踪变压器

    本论文提出了一种新型基于 Transformer 的架构，用于全局多目标跟踪，通过对各帧图像上的物体特征进行编码，通过路径查询将其分组成轨迹，与目标检测器联合训练，可以实现对任意对象的跟踪，并在 MOT17 基准测试中实现了 75.3 的 MOTA 和 59.1 的 HOTA，超越了基于成对联想的基线，并在 TAO 数据集上得到显著的 7.7 跟踪 mAP 的提高。

    Mar, 2022

  • 基于椭圆边界框的细胞跟踪方法

    该研究论文提出了一种新的基于经典检测跟踪模式的细胞检测和跟踪方法，通过将细胞形状近似为有方向的椭圆并利用通用有方向对象检测器在每一帧中识别出细胞，再结合全局数据关联算法进行跟踪，结果表明该方法在细胞检测和跟踪方面与需要更多数据标注的最先进技术具有竞争力。

    Oct, 2023

  • TrackFormer：基于 Transformer 的多目标跟踪

    TrackFormer 是基于编码器 - 解码器变压器架构的端到端可训练的多目标追踪方法，利用注意力实现帧到帧的数据关联，以查询的形式自回归地跟踪现有轨迹并初始化新轨迹，能够实现目前最先进的多目标跟踪的性能。

    Jan, 2021

  • 根据生物需求的细胞跟踪 - 带有随机有限集和伴随不确定性的强有力有且仅有有且仅有几种受精的跟踪器

    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

  • 细胞在细菌生物膜的稠密三维显微视频中的深度时间序列分类与数学建模

    本研究提出了一种名为 DenseTrack 的新型细胞跟踪算法，它将深度学习与基于数学模型的策略相结合，以在拥挤场景中有效建立连续帧之间的对应关系和检测细胞分裂事件。通过将细胞跟踪问题制定为基于深度学习的时间序列分类任务，然后通过解决约束的一对一匹配优化问题来利用分类器的置信度得分。此外，还提出了一种基于特征分解的细胞分裂检测策略，利用细胞几何知识。该方法在细菌生物膜发展的三维时间序列图像中跟踪密集堆积的细胞，并经过了模拟和实验荧光图像序列的实验证明，与最近的最先进细胞跟踪方法相比，所提出的跟踪方法在定性和定量评估指标上具有更优越的性能。

    Jun, 2024

  • 学习可变形的三维图形相似性以追踪未对齐的时间序列图像中的植物细胞

    通过利用植物细胞的紧密三维结构创建三维图，本研究提出了一种新颖的基于学习的方法来进行精确的细胞追踪，同时提出了细胞分裂检测和有效的三维注册算法，改进了当前最先进的算法，并在基准数据集上展示了算法的效能。

    Sep, 2023

  • MotionTrack: 基于 Transformer 的端到端多目标追踪与 LiDAR - 摄像头融合

    提出了一种基于 Transformer 的多模态传感器输入的端到端多目标跟踪算法（MotionTrack），它由基于 Transformer 的数据关联（DA）模块和基于 Transformer 的查询增强模块组成，同时实现了多目标检测（MOD）。MotionTrack 及其变体在 nuScenes 数据集上获得更好的结果（AMOTA 得分为 0.55），与 AB3DMOT、CenterTrack 和概率 3D 卡尔曼滤波器等经典基线模型相比有着更好的表现。

    Jun, 2023

  • Transformer Meets Tracker: 挖掘时间上下文，提高鲁棒性视觉跟踪

    本文提出了一个基于 transformer 的视频物体跟踪器，在 Siamese-like 跟踪管道中，编码器在模板中注入了基于注意力机制的特征强化以增强模型生成质量，解码器传递上一个模板的跟踪线索到当前帧以方便目标搜索，结果本方法作为一种最先进的记录在普遍跟踪基准上获得了成功。

    Mar, 2021