論文の概要: Tracking Intermittent Particles with Self-Learned Visual Features

• arxiv url: http://arxiv.org/abs/2607.09829v1
• Date: Fri, 10 Jul 2026 12:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.223485
• Title: Tracking Intermittent Particles with Self-Learned Visual Features
• Title（参考訳）: 自己学習型視覚特徴を用いた間欠粒子の追跡
• Abstract要約: 我々は、追跡された粒子を比較するために、視覚的特徴の自己教師付き学習を導入する。 我々は、同じ粒子を表すトラックレットをしっかりと縫い合わせるために、視覚的距離と位置的距離の両方を利用する。 その結果, 縫合精度が高く, 同一データ上での前のアルゴリズムによる誤差を2倍に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 5.075990474596021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In time-lapse fluorescence imaging, single-particle-tracking is a powerful tool to monitor the dynamics of objects of interest, and extract information about biological processes. However, tracked particles can be subject to occlusion and intermittent detectability. When these phenomena persist over a few frames, tracking algorithms tend to produce multiple tracklets for the same particle. In this work, we introduce self-supervised learning of visual features to compare tracked particles, and we exploit both visual and positional distances to robustly stitch tracklets representing the same particle. We demonstrate the performance of our stitching framework on time-lapse fluorescence sequences of Hydra vulgaris neurons. Results show high stitching precision, and reduction of errors made by previous algorithms on the same data by a factor of two.
• Abstract（参考訳）: 時間経過蛍光イメージングでは、単一粒子追跡は興味のある物体のダイナミクスを監視し、生物学的プロセスに関する情報を抽出する強力なツールである。 しかし、追跡された粒子は、隠蔽と断続的な検出性を受けることができる。 これらの現象が数フレームにわたって持続する場合、追跡アルゴリズムは同じ粒子に対して複数のトラックレットを生成する傾向がある。 本研究では、追跡された粒子を比較するために視覚的特徴の自己教師付き学習を導入し、同じ粒子を表すトラックレットを頑健に縫合するために、視覚的および位置的距離を利用する。 我々はHydra vulgarisニューロンの時間ラプス蛍光配列における縫合フレームワークの性能を実証した。 その結果, 縫合精度が高く, 同一データ上での前のアルゴリズムによる誤差を2倍に削減できることがわかった。

関連論文リスト

• Video Diffusion Models Excel at Tracking Similar-Looking Objects Without Supervision [80.2787127430925]
  視覚的に類似した物体を動きによって識別することは、コンピュータビジョンにおいて重要な課題である。 予め訓練したビデオ拡散モデルでは,タスク固有の訓練を伴わないトラッキングに適した動作表現が本質的に学習されていることがわかった。 提案手法は,最近確立されたベンチマークに対する自己教師型アプローチよりも6ポイント向上した。
  論文  参考訳（メタデータ） (2025-12-02T02:17:34Z)
• Pattern-Based Phase-Separation of Tracer and Dispersed Phase Particles in Two-Phase Defocusing Particle Tracking Velocimetry [0.0]
  本研究は,2相流における粒子追跡速度計のデフォーカスにおける相分離のための後処理に基づくアプローチの実現可能性について検討する。 この方法は、単一カメラ装置を用いて、分散相のトレーサ粒子と粒子の同時3次元局在決定を可能にする。
  論文  参考訳（メタデータ） (2025-06-22T20:10:45Z)
• Unsupervised Particle Tracking with Neuromorphic Computing [1.7471104495490826]
  突発的ヒットによる顕著なノイズの存在下で、荷電粒子が残した信号を完全に教師なしの方法で識別することのできる、スパイクニューラルネットワークの方法を示す。 これらの結果は、ニューロモルフィックコンピューティングの粒子追跡への応用への道を開き、将来の高エネルギー物理学実験におけるリアルタイム、低消費電力粒子追跡の可能性に関するさらなる研究を動機付けている。
  論文  参考訳（メタデータ） (2025-02-10T18:50:50Z)
• Deep Joint Denoising and Detection for Enhanced Intracellular Particle Analysis [8.997702776298091]
  本稿では,DENODETと呼ばれる新しいディープニューラルネットワークを提案する。 本手法は, 粒子追跡課題データセットと実際の蛍光顕微鏡画像データについて, 最先端粒子検出法と比較して, 優れた結果が得られる。
  論文  参考訳（メタデータ） (2024-08-15T03:13:53Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Holistic Representation Learning for Multitask Trajectory Anomaly Detection [65.72942351514956]
  そこで本研究では,異なる時間帯における骨格軌跡の包括的表現による予測運動の学習を提案する。 我々は、時間的閉鎖された軌道を符号化し、ブロックされたセグメントの潜在表現を共同学習し、異なる時間的セグメントにわたる期待運動に基づいて軌道を再構築する。
  論文  参考訳（メタデータ） (2023-11-03T11:32:53Z)
• Online Deep Clustering with Video Track Consistency [85.8868194550978]
  ビデオオブジェクトトラックから視覚的特徴を学習するための教師なしクラスタリングに基づく手法を提案する。 教師なしのクラス非依存でノイズの多いトラックジェネレータを利用すれば、コストと正確なトラックアノテーションに依存するよりも精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-07T08:11:00Z)
• 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)
• Time Varying Particle Data Feature Extraction and Tracking with Neural Networks [20.825102707056647]
  我々は, 特徴抽出と追跡を支援するために, 科学的粒子データのための特徴表現を作成するために, 深層学習アプローチを採用する。 本研究では,局所近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成する深層学習モデルを用いる。 高速な特徴追跡を実現するために,特徴空間に平均シフト追跡アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2021-05-27T15:38:14Z)
• Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking [150.51667609413312]
  本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。 この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。 不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
  論文  参考訳（メタデータ） (2021-04-18T06:35:03Z)
• ArTIST: Autoregressive Trajectory Inpainting and Scoring for Tracking [80.02322563402758]
  オンラインマルチオブジェクトトラッキング(MOT)フレームワークの中核的なコンポーネントの1つは、既存のトラックレットと新しい検出を関連付けることである。 そこで我々は,トラックレットが自然運動を表す可能性を直接測定することにより,トラックレットの提案を評価する確率論的自己回帰生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-04-16T06:43:11Z)

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。