論文の概要: How To Make Your Cell Tracker Say "I dunno!"

• arxiv url: http://arxiv.org/abs/2503.09244v1
• Date: Wed, 12 Mar 2025 10:39:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:20.153885
• Title: How To Make Your Cell Tracker Say "I dunno!"
• Title（参考訳）: セルトラッカーに「I dunno!
• Authors: Richard D. Paul, Johannes Seiffarth, David Rügamer, Hanno Scharr, Katharina Nöh,
• Abstract要約: 本稿では,線形代入に基づくセルトラッキングアルゴリズムにおける不確実性を推論し,定量化するための様々な手法を提案し,ベンチマークする。 我々の手法は統計学と機械学習からインスピレーションを得ており、この研究を通じて探索された細胞追跡問題に対する2つの視点を生かしている。
• 参考スコア（独自算出の注目度）: 3.711618971348009
• License:
• Abstract: Cell tracking is a key computational task in live-cell microscopy, but fully automated analysis of high-throughput imaging requires reliable and, thus, uncertainty-aware data analysis tools, as the amount of data recorded within a single experiment exceeds what humans are able to overlook. We here propose and benchmark various methods to reason about and quantify uncertainty in linear assignment-based cell tracking algorithms. Our methods take inspiration from statistics and machine learning, leveraging two perspectives on the cell tracking problem explored throughout this work: Considering it as a Bayesian inference problem and as a classification problem. Our methods admit a framework-like character in that they equip any frame-to-frame tracking method with uncertainty quantification. We demonstrate this by applying it to various existing tracking algorithms including the recently presented Transformer-based trackers. We demonstrate empirically that our methods yield useful and well-calibrated tracking uncertainties.
• Abstract（参考訳）: 細胞追跡は、ライブセル顕微鏡における重要な計算課題であるが、高出力画像の完全自動解析には信頼性が要求されるため、単一の実験で記録されたデータの量は、人間が見落としられるものを上回るため、不確実性を認識したデータ解析ツールが必要である。 本稿では,線形代入に基づくセルトラッキングアルゴリズムにおける不確実性を推論し,定量化するための様々な手法を提案し,ベンチマークする。 この手法は統計学と機械学習からインスピレーションを得ており、この研究を通じて探索された細胞追跡問題(ベイズ推論問題)と分類問題(分類問題)の2つの視点を生かしている。 本手法は,不確実な定量化を伴うフレーム・ツー・フレーム追跡手法を組み込むことで,フレームワークライクな特徴を付与する。 我々は、最近発表されたTransformerベースのトラッカーを含む、既存のトラッキングアルゴリズムにこれを適用することによって、これを実証する。 我々は,提案手法が有用かつ十分な追跡不確実性をもたらすことを実証的に実証した。

関連論文リスト

• UTrack: Multi-Object Tracking with Uncertain Detections [37.826006378381955]
  我々は,物体検出中に経験的予測分布を得るための高速な手法を初めて紹介する。 我々の機構は最先端のトラッカーに容易に統合でき、検出の不確実性を完全に活用できる。 我々は,MOT17,MOT20,DanceTrack,KITTIなど,さまざまなベンチマークに対するコントリビューションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-30T08:34:51Z)
• Trackastra: Transformer-based cell tracking for live-cell microscopy [0.0]
  Trackastraは、単純なトランスフォーマーアーキテクチャを使って、細胞同士の相互関連を学習する汎用的な細胞追跡手法である。 我々の追跡手法は、高度に調整された最先端の細胞追跡アルゴリズムに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2024-05-24T16:44:22Z)
• Cell Tracking-by-detection using Elliptical Bounding Boxes [0.0]
  本研究は,古典的トラッキング・バイ・検出パラダイムに基づく新しいアプローチを提案する。 細胞形状を指向性楕円体として近似し、汎用指向性物体検出器を用いて各フレーム内の細胞を識別する。 提案手法は,最先端技術と競合して検出・追跡できることを示す。
  論文  参考訳（メタデータ） (2023-10-07T18:47:17Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• A Bayesian Detect to Track System for Robust Visual Object Tracking and Semi-Supervised Model Learning [1.7268829007643391]
  ニューラルネットワークの出力によってパラメータ化されたベイズ追跡・検出フレームワークにおける副次的問題について述べる。 本稿では,粒子フィルタを用いた物体状態推定のための近似サンプリングアルゴリズムを提案する。 粒子フィルタ推論アルゴリズムを用いて,間欠的なラベル付きフレーム上でのトラッキングネットワークの学習に半教師付き学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2022-05-05T00:18:57Z)
• Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
  分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。 トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
  論文  参考訳（メタデータ） (2022-04-04T13:39:43Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Benchmarking high-fidelity pedestrian tracking systems for research, real-time monitoring and crowd control [55.41644538483948]
  実生活環境における高忠実な歩行者追跡は,群集動態研究において重要なツールである。 この技術が進歩するにつれて、社会においても益々有用になってきている。 歩行者追跡技術の研究と技術に成功させるためには、正確さの検証とベンチマークが不可欠である。 我々は、プライバシーに配慮した歩行者追跡技術のためのベンチマークスイートをコミュニティのオープンスタンダードに向けて提示し、議論する。
  論文  参考訳（メタデータ） (2021-08-26T11:45:26Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)
• RetinaTrack: Online Single Stage Joint Detection and Tracking [22.351109024452462]
  両タスクがミッションクリティカルな自律運転におけるトラッキング・バイ・検出パラダイムに注目した。 本稿では、一般的な単一ステージのRetinaNetアプローチを改良したRetinaTrackと呼ばれる、概念的にシンプルで効率的な検出と追跡のジョイントモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-30T23:46:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。