論文の概要: DefocusTrackerAI -- A Generalized Framework for the Automatic Detection of Defocused Particle Images
- arxiv url: http://arxiv.org/abs/2606.00076v1
- Date: Fri, 22 May 2026 08:01:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-07 20:42:22.54284
- Title: DefocusTrackerAI -- A Generalized Framework for the Automatic Detection of Defocused Particle Images
- Title（参考訳）: DefocusTrackerAI -- 偏重粒子画像の自動検出のための汎用フレームワーク
- Authors: Gonçalo Coutinho, Ana S. Moita, António L. N. Moreira, Massimiliano Rossi,
- Abstract要約: DefocusTrackerAIは、非焦点粒子画像の自動検出と位置推定のためのフレームワークである。
YOLOv9は、様々な直径の非直感的および非直感的な非直感的粒子像を含む多種多様な特徴豊富な合成画像セットで訓練されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The present work introduces DefocusTrackerAI, a generalized deep-learning framework for the automatic detection and position estimation of defocused particle images from any kind of optical configuration without compromising uncertainty and recall, intended as a follow-up of the open-source project DefocusTracker. We selected the deep neural network architecture from the direct comparison of two well-known object detection models, Faster R-CNN and YOLOv9, trained on a diverse and feature-rich synthetic image set containing astigmatic and non-astigmatic defocused particle images of varying diameters. The model evaluation on synthetic data showed that, first, YOLOv9 outperforms Faster R-CNN, achieving higher recall and lower uncertainty, particularly at high particle image densities; and second, that YOLOv9 provides enhanced spatial resolution, with uncertainty values between 0.1 and 0.4 pixels for particle image densities N_s up to 0.5, outperforming state-of-the-art algorithms. We demonstrated that our models are able to detect astigmatic and non-astigmatic defocused particle images in multiple optical setups with varying lighting conditions. In addition, we successfully applied our models on real DPT experiments, including fluorescence and shadowgraph data, showing that they can be used beyond conventional DPT applications, including the tracking of sprays and droplets. A pre-trained, ready-to-use version of DefocusTrackerAI based on YOLOv9 is available at https://gitlab.com/goncalo.coutinho/defocustrackerAI-main/-/tree/7e0f11f649ebad50e20dca5b9545f26ca30 3ebe0 and can be used for automatic detection of defocused particle images of any kind with high accuracy. In combination with a suitable calibration approach for the depth position, it can be used as an effective first step for three-dimensional defocusing particle tracking.
- Abstract（参考訳）: 本研究はDefocusTrackerAIについて紹介する。DefocusTrackerは、オープンソースのプロジェクトであるDefocusTrackerのフォローアップを意図した、不確実性やリコールを損なうことなく、任意の光学構成から偏差粒子画像の自動検出と位置推定を行う、汎用的なディープラーニングフレームワークである。
我々は,2つのよく知られた物体検出モデルであるFaster R-CNNとYOLOv9の直接比較から深部ニューラルネットワークアーキテクチャを選択した。
合成データのモデル評価により, YOLOv9は高速なR-CNNより優れ, 特に高粒子画像密度において高いリコールと低い不確実性を実現し, 次に, YOLOv9は高空間分解能を提供し, 粒子画像密度N_sの0.1から0.4ピクセルの不確実性は0.5に向上し, 最先端のアルゴリズムよりも優れていた。
我々は,光条件の異なる複数の光学装置において,非直観的,非直観的な非直観的粒子像を検出できることを実証した。
さらに、蛍光やシャドウグラフデータを含む実DPT実験にモデルを適用し、スプレーや液滴の追跡を含む従来のDPTアプリケーションを超えて使用することができることを示す。
YOLOv9をベースとしたDefocusTrackerAIの事前トレーニング版がhttps://gitlab.com/goncalo.coutinho/defocustrackerAI-main/-/tree/7e0f11f649ebad50e20dca5b9545f26ca30 3ebe0で利用可能であり、任意の種類の偏差粒子画像の自動検出に使用することができる。
深さ位置に対する適切なキャリブレーション手法と組み合わせることで、3次元デフォーカス粒子追跡のための有効な第1ステップとして使用できる。
関連論文リスト
- Defocus Aberration Theory Confirms Gaussian Model in Most Imaging Devices [0.0]
本稿では,従来の撮像装置において,デフォーカス演算子がガウスモデルに従属することを確実にするための設定について紹介する。
その結果、平均絶対誤差が最大$(M!A!E)$が1%以下であることを示し、モデルの正確性と信頼性を裏付ける。
論文 参考訳（メタデータ） (2026-01-08T10:03:13Z) - Fine-grained Defocus Blur Control for Generative Image Models [66.30016220484394]
現在のテキストと画像の拡散モデルは、多様な高品質な画像を生成するのに優れている。
本稿では,カメラメタデータを活用した新しいテキスト・画像拡散フレームワークを提案する。
我々のモデルは、描写されたシーンを変更することなく、より優れたきめ細かい制御を可能にする。
論文 参考訳（メタデータ） (2025-10-07T17:59:15Z) - DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology [37.648157065553185]
本稿ではDeepAfを利用した新しい自動顕微鏡システムを提案する。
DeepAfは、単一ショットフォーカス予測のためのハイブリッドアーキテクチャを通じて、空間的特徴とスペクトル的特徴を組み合わせる。
システムはがんの分類において4倍で0.90AUCを達成するが、これは通常の20倍WSIスキャンよりも低い倍率で重要な成果である。
論文 参考訳（メタデータ） (2025-10-06T19:28:08Z) - Efficient Depth- and Spatially-Varying Image Simulation for Defocus Deblur [16.9629875455607]
既存のオープンソースデータセットでトレーニングされたディープラーニングモデルは、多くの場合、ドメインギャップに直面し、現実世界の設定ではうまく機能しない。
実世界のデータによる微調整に依存しない,効率的でスケーラブルなデータセットアプローチを提案する。
提案手法は深度に依存したデフォーカスと空間的に変化する光学収差を同時にモデル化し、計算複雑性と高品質なRGB-Dデータセットの不足に対処する。
論文 参考訳（メタデータ） (2025-07-01T02:03:04Z) - Examining the Impact of Optical Aberrations to Image Classification and Object Detection Models [58.98742597810023]
視覚モデルは、ノイズやぼやけなどの乱れに対して頑丈に振る舞う必要がある。
本稿では,OpticsBenchとLensCorruptionsという,ぼやけた汚職の2つのデータセットについて検討する。
ImageNet と MSCOCO における画像分類と物体検出の評価は,様々な事前学習モデルにおいて OpticsBench と LensCorruptions の性能が著しく異なることを示す。
論文 参考訳（メタデータ） (2025-04-25T17:23:47Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳（メタデータ） (2024-11-28T13:04:45Z) - Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
汚れは視覚的により快適な写真を提供し、写真がより便利になる。
非均一な曖昧さを数学的にモデル化することは困難である。
我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
論文 参考訳（メタデータ） (2023-01-18T06:37:21Z) - Decentralized Autofocusing System with Hierarchical Agents [2.7716102039510564]
本稿では,カメラとレンズ焦点設定をインテリジェントに制御する階層型マルチエージェント深部強化学習手法を提案する。
このアルゴリズムはカメラのストリームの潜在表現に依存しており、カメラの全く参照しないチューニングを可能にする最初の方法である。
論文 参考訳（メタデータ） (2021-08-29T13:45:15Z) - Single image deep defocus estimation and its applications [82.93345261434943]
画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。
トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。
その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
論文 参考訳（メタデータ） (2021-07-30T06:18:16Z) - Universal and Flexible Optical Aberration Correction Using Deep-Prior
Based Deconvolution [51.274657266928315]
そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。
具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
論文 参考訳（メタデータ） (2021-04-07T12:00:38Z) - Deep Autofocus for Synthetic Aperture Sonar [28.306713374371814]
本稿では,機械学習,特にディープラーニングがオートフォーカス問題に対処する可能性を示す。
我々は、Deep Autofocusと呼ばれるディープネットワークを用いて、自己教師型位相誤差推定タスクとして問題を定式化する。
以上の結果から,Deep Autofocusは,ベンチマーク反復手法に劣らず,計算コストが大幅に低い画像を生成することができることを示した。
論文 参考訳（メタデータ） (2020-10-29T15:31:15Z)
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。