健壮的单个细胞/对象跟踪通过PCANet深网络在生物医学和计算机视觉

文摘

跟踪单个细胞/对象随时间是很重要的在理解药物治疗对肿瘤细胞的影响和视频监控。单个细胞/对象跟踪的一个基本问题是同时解决细胞/对象外观变化引起的内在和外在因素。本文受到深度学习的体系结构,我们提出一个健壮的特性学习方法构建歧视没有大规模pretraining外观模型。具体来说,在最初的框架,一个无监督的方法是首先用来学习目标的抽象特性利用两个经典的主成分分析(PCA)算法与最近深度学习表示架构。我们使用了PCA特征向量作为过滤器和开发一种新型的算法来表示的目标通过组合PCA-based滤波器组层,一个非线性层,分别和一个patch-based池层。然后,基于特征表示,与一个隐层神经网络训练监督模式构建一个歧视外观模型。最后,为了缓解跟踪漂移问题,样品更新计划精心设计跟踪最具代表性和多样化的样本期间跟踪。我们测试提出的跟踪方法在两个标准的个体细胞/对象跟踪基准给我们追踪的最先进的性能。

1。介绍

单个细胞/对象跟踪是计算生物学的一个基本问题(1- - - - - -4),药物治疗对肿瘤细胞的影响(2),高含量筛查(5),和计算机视觉6- - - - - -8]。因此,它吸引了大量关注,由于其理论挑战和实际应用的潜在价值。虽然它已经在过去的几十年中,研究设计一个健壮的细胞/对象追踪应对cell /对象的外观变化仍然是一个伟大的具有挑战性的任务。细胞/对象包括内在的外观变化(例如,姿势变化、运动模糊、规模变化,和非刚性变形)和外部(如光照变化,凌乱的场景,和遮挡)因素。这种外观的变化可以跟踪漂移远离cell /对象。此外,由于需要大量的手工操作在现有细胞跟踪(9),如何设计一个准确和自动细胞追踪有限的手动操作(10是另一个挑战。

捕捉外观变化,最先进的追踪器依靠手工的特性自适应地构造和更新对象表象的生成或歧视模型(例如,主成分分析1,2,11,12],脚腕森林[13),支持向量机(14),和整体学习15,16])。通过使用各种手工制作的特性(16- - - - - -26开发),这些手工制作的基于特征跟踪方法对于某些场景。因此,他们无法捕捉目标的丰富的语义信息作为他们的泛化不是很好。因此,他们很容易在一些困难的条件下跟踪失败。

最近,深度学习(27- - - - - -32吸引了太多的关注在计算生物学,细胞生物学,和计算机视觉。而不是使用手工制作的特点,深度学习的目标是自动学习从原始数据的分层特性表示。令人印象深刻的性能通过深度学习在语音识别28和图像识别29日,31日,32),一些早期的研究者(33- - - - - -39)应用对象跟踪和实现竞争性能。然而,只有一个目标对象的注释在初始帧可用,深上优于追踪器通常使用大规模训练数据prelearn深层结构和pretrained特性表示转移到跟踪任务。因此,大规模pretraining耗时且pretrained特性表示可能不歧视跟踪一个特定的细胞/对象。此外,他们可能会敏感部分闭塞和姿势变化由于全球边界框使用单一描绘整个细胞/对象。

在本文中,我们提出一个健壮的区别的跟踪方法自动学习功能表示没有大规模pretraining和明确处理部分遮挡的全局结构和局部细节融合在一个细胞/对象。具体来说,在最初的框架,一个无监督的方法是首先用来学习细胞/对象的抽象特性利用两个经典的主成分分析(PCA)算法与最近深度学习表示架构。我们使用了PCA特征向量作为过滤器和开发一种新型的算法来表示的目标通过组合PCA-based滤波器组层,一个非线性层,分别和一个patch-based池层。然后,基于上述特性从无监督方法,带有一个隐层的神经网络训练监督模式构建一个歧视目标外观模型。利用深度学习架构的优势,我们的方法可以学习一个通用和分层特性表示虽然没有大规模pretraining更有效地执行。与holistic-based模型相比,我们的方法同时维护整体和局部的外观信息,因此提供了一个紧凑的表示目标对象。最后,为了缓解跟踪漂移的问题,采用一个简单但有效的样品更新计划跟踪最具代表性和多样化的样本,同时跟踪。实验在两个标准的单个细胞/对象跟踪基准(即。数据集,Mitocheck细胞(40)和在线跟踪基准(OTB) (41)表明,我们追踪达到一个有前途的性能。

剩下的纸是组织如下。部分2与我们的讨论最相关的工作。我们跟踪的详细的总体框架部分中描述的方法3。我们的性能跟踪方法在部分4。最后,部分5总结了我们的发现。

2。相关工作

已经完成了大量的工作在cell /对象跟踪和全面审查超出了本文的范围。请参阅[3,4,6- - - - - -8]更完整的评论在最近的细胞/对象跟踪和追踪基准。在本节中,我们简要回顾一些代表性的视觉跟踪工作,把我们的工作放在一个适当的上下文。

2.1。单个细胞和对象跟踪和手工制作的功能

几十年来,与手工制作的特性提出了许多跟踪方法,专注于构建健壮的细胞/对象外观模型来处理不可避免的cell /对象的外观变化。在[17),平均翻三班跟踪方法提出了利用颜色直方图。李等人。18)提出一个多核跟踪方法和定量癌症细胞周期分析的强度特性。在[19),Danelljan等人提出一种自适应颜色属性的颜色过滤框架下跟踪方法。在[26),卢等人提出一个活跃的基于结构化学习细胞跟踪方法结合了多种互补的特性,如位置、强度和形状。在[12),增量主成分分析跟踪提出了健壮的视觉跟踪方法。最近,各种各样的低秩子空间跟踪和基于稀疏表示的方法提出了(42- - - - - -47细胞/对象)跟踪由于闭塞和图像噪声的鲁棒性。钟等。48]提出一种基于弱监督学习跟踪方法,在多个互补的追踪器有效地融合实现健壮的跟踪结果。周et al。49]提出一种相似性fusion-based跟踪方法,多种功能和上下文结构的无标号数据有效利用。

加上设计手工制作的特性,开发了众多先进的机器学习方法,进一步提高跟踪性能。典型的学习方法包括支持向量机(SVM)分类器14)、结构化输出支持向量机(21),在线增加(15,20.],pn学习[50),多个实例学习(51),和相关性过滤器(52- - - - - -54]。在[55),为提高跟踪性能,卢等人把之前塑造成一个学习方法段茂密的细胞核。Dzyubachyk et al。56)利用水平细胞在延时荧光显微镜跟踪基于集合的方法。

此外,显式地处理遮挡问题,提出了几个部分原因模型。在[13),胆等人提出一种部分原因投票模式通过踝关节森林鲁棒跟踪。在[17),在线潜在结构学习是用于部分原因对象跟踪方法。然而,部分原因仍然依赖于低层特征跟踪方法。尽管跟踪方法与手工制作的特性通常产生更精确的结果在更复杂的环境下,他们可能会受到使用手工制作的特性不能简单地根据新获得的观测数据,同时跟踪。

2.2。单细胞与深度学习和对象跟踪

成功的启发,深度学习在语音和视觉识别的任务27- - - - - -32),一些深上优于跟踪方法最近提出(33- - - - - -39健壮的cell /对象)跟踪。在[35),基于pretrained卷积神经网络,风扇等人提出一个人类的跟踪方法。的一个限制是,pretrained卷积神经网络在线跟踪过程中是固定的。王,杨34)提出了一个基于autoencoder跟踪方法。而不是使用无关的图片pretraining,王et al。57]提出一种跟踪方法prelearns功能强劲的多样化从辅助视频序列运动模式。然而,他们只有10视频序列上的评估方法。在[58),李等人有效地结合多个卷积神经网络鲁棒跟踪。在粒子滤波框架下,Carneiro和Nascimento33)使用深度学习架构来应对左心室心内膜超声波数据。在[36),基于VGG的深层网络,一个完全卷积神经网络提出了鲁棒跟踪。在[37),香港等人提出一种跟踪方法通过学习区别的特点与卷积神经网络映射。在[38),马等人融合相关过滤器和pretrained VGG网络鲁棒跟踪。在[39),南和汉提出一个多畴的卷积神经网络跟踪方法。

然而,这些耗时的由于大规模pretraining跟踪方法。此外,pretrained特性表示可能不歧视跟踪特定的目标对象。

3所示。拟议的单个细胞和对象跟踪算法

在本节中,我们发展我们的区别的跟踪算法通过PCANet深网络(32]。基于粒子滤波框架,提出PCANet-based跟踪单个细胞/对象方法示意图所示的算法1。

具体地说,该跟踪算法如下:目标对象是手动选择在第一帧边界框。然后,一个无监督方法用于学习目标对象的抽象特性利用两个经典的主成分分析(PCA)算法与最近深度学习表示架构。此外,基于上述特性从无监督方法,带有一个隐层的神经网络训练监督模式构建一个歧视对象外观模型。与此同时,一组粒子粒子滤波框架内相关的权值初始化。一个输入视频帧,我们首先使用动态模型预测每个粒子。然后,我们计算重量为每个粒子使用观测模型(即。有识别力的外观模型)。根据获得的权重,我们确定最优对象状态最大重量的粒子和粒子重新取样。最后,pretrained特性是根据新的观测数据更新。同时,区别的外观模型也是通过一个简单但有效的增量更新样品更新计划,跟踪最具代表性和多样化的样本,同时跟踪。跟踪过程仍在这个迭代的方式,直到结束视频。

下面我们给出详细描述每个组件的方法。

算法1。概述的PCANet-based跟踪方法对单个细胞/对象如下所示。
输入如下:(1)得到一个初始化视频帧与真实边界框在一个细胞/对象。(2)Pretrain cell /对象的抽象特征通过一个无监督的方法。(3)建立一个神经网络歧视的细胞/对象基于外观模型特性从上面的无监督方法。(4)初始化一组粒子与粒子滤波框架内相关的权重。输出如下:(1)使用一个基于函数高斯运动模型预测每个粒子。(2)计算每个粒子权重使用PCANet-based歧视外观模型。(3)确定最佳的细胞/对象状态的粒子的最大重量。(4)重新取样粒子根据其相应的权重。(5)更新pretrained特性和PCANet-based歧视外观模型根据新观测数据。

3.1。粒子滤波

提出的跟踪算法进行使用粒子滤波框架与隐藏的马尔可夫模型状态变量。假设我们已经观测的目标对象到帧,隐藏的状态变量是由著名的两步估计的迭代(即。,预测和更新步骤): 在哪里之间的动态(运动)模型是两个连续状态和是观察模型估计观察的可能性在国家。最优对象状态在时间可以由最大后验估计结束了吗样品(粒子)th逐 在哪里是th样品的状态和预测的图像观察吗。

运动估计。在这篇文章中,为简单起见和计算效率的原因,我们选择只跟踪位置和大小。让表示对象状态参数包括横向坐标,垂直坐标,宽度和高度分别。我们使用高斯分布模型连续两帧之间的动态模型。

可能性评估。对于每个国家,都有一个相应的图像补丁,规范化像素图像缩放。计算似然函数的基础上,提出区别的外观模型;也就是说,,在那里是一个从拟议中的歧视的外观模型输出分数。

3.2。拟议中的歧视从PCANet外观模型

在本节中,我们解决如何学习的问题没有大规模pretraining数据驱动和区别的外观模型。在第一帧,一个无监督的方法是首先用来学习目标对象的抽象特性利用两个经典的主成分分析(PCA)算法与最近深度学习表示架构。然后,基于上述特性从无监督方法,带有一个隐层的神经网络训练监督模式构建一个歧视目标外观模型。

更具体地说,我们使用新提议PCANet深网络(32]prelearn目标对象的抽象特性。PCANet是一个简单的卷积深度学习网络级联组成的PCA、二进制哈希和块直方图。工作PCANet显示应用的任意非线性PCA预测的图像补丁能为图像分类是令人惊讶的有效的。灵感来自于他们的工作,我们建议PCANet-based无监督方法有效地了解目标对象的抽象特性和目标和背景之间的区别的结构。

PCANet模型如图1,只有PCA过滤器需要从训练图像。汉符号后陈et al。32),我们将简要地回顾PCANet模型。

级联的主成分分析。表示作为输入训练图像和作为二维卷积过滤器的大小。在每个像素,PCANet需要补丁和收集所有的补丁(重叠)图像作为训练数据。然后,PCANet计算投影向量,这样可以保留大部分训练数据的变化。的PCA过滤器PCANet表示为领先的主要特征向量。类似于深层神经网络,PCANet可以堆叠多个阶段的PCA过滤器中提取更高层次的特性。

二进制哈希和块直方图。让和表示数量的PCA PCANet过滤器在第一和第二阶段,分别。为每个输入的图像第二,每个输入图像实值输出从第二阶段。这些输出是通过哈希函数的关键,一个输出值,否则为0是一个积极的条目。

每个像素周围的向量二进制位被视为一个十进制数。这个转换输出的th输入图像回一个整数值的形象,在那里。然后,每一个图片分为重叠或不重叠的块。PCANet计算直方图的十进制值在每个块和连接直方图为一个向量,表示。

这个编码过程后,输入图像的特性然后定义是基于块的直方图;也就是说,。

经验说明学习的功效PCANet特性,我们检查调整过滤器训练在训练数据从一个特定的跟踪任务。在图2,我们在训练数据显示PCA-based过滤器学会了从第一帧序列的女人在线跟踪基准(OTB) [41)和Mitocheck细胞数据集,分别40]。前两行显示八PCA-based过滤器在第一层。两行显示八PCA-based底部过滤器在第二层。很明显,该PCANet-based模型可以有效地学习有用的信息从数据,如边缘和角落里结探测器。

4所示。实验评价

本节介绍我们的器具的细节,实验配置,数据集和评估。我们的跟踪算法的有效性(名为ours-1)然后通过定量和定性分析在线跟踪基准(OTB) [41)和Mitocheck细胞数据集,分别40]。为了计算的鲁棒性,我们进一步考虑的影响不同的PCA层PCANet(即。,各种不同的数字PCA层)的跟踪性能。

4.1。实现细节和实验配置

降低计算成本,我们只是考虑在二维平移和缩放对象状态信息在粒子滤波框架,在相应的方差参数设置为15日,15日,0.1,和0.1,分别。(即该跟踪方法。,ours-1) is implemented in Matlab without code optimization and runs on a PC with a 2.40 GHz processor and 12 G RAM. 1,000 samples are empirically drawn for particle filtering. For each particle, there is a corresponding image region normalized to a补丁。缓冲时间滑动窗口大小设置为25。PCANet-based深层网络的典型训练时间大约10秒不使用gpu Matlab。我们PCANet-based追踪大约需要1秒来处理每个视频帧。

4.2。数据集和评价设置

4.2.1。准备数据集

评估的性能(即提出跟踪方法。,ours-1) for tracking individual-cell/object, we use not only the Mitocheck cell dataset [40),但也在线跟踪基准(OTB) [41]。Mitocheck数据集是一个延时显微图像序列中含有较高的细胞密度,更大的强度变化,和照明的变化。在线跟踪基准(OTB) [4150)是一家集视频序列标记有11个属性涵盖各种具有挑战性的因素在视觉跟踪,如变形、快速运动,背景杂波和闭塞。50个视频序列与边界框定义注释。

4.2.2。评价设置

OTB基准使用两个不同的评价指标:成功的精密情节和情节。精密策划,目标对象被认为是成功地跟踪视频帧如果中心之间的距离估计箱和真实边界框是低于一个阈值。因此,许多精密的情节可以通过改变阈值。通常,追踪者排名是基于阈值的精度20像素精度的阴谋。另一方面,成功的阴谋,一个目标对象位于一个视频帧被认为是成功的,如果预测真实边界框和边界框有一个intersection-over-union(借据)重叠超过一个阈值。情节展示了成功的百分比帧被认为是成功的。曲线下的面积(AUC)评分是用来给跟踪算法。执行三个不同的实验,评价(开放),一次走刀时间鲁棒性评估(过夜),和空间的鲁棒性评价(行为)。评价的混乱关系,起始帧是随机的。行为,初始边界框是随机摄动。 Please see the original paper [41为更多的细节。为评价Mitocheck细胞数据集(40),我们只使用定性结果显示由于真实的不可用标签跟踪性能。

4.3。评估结果在网上跟踪基准(OTB)

整体性能。我们定量分析了跟踪的整体性能,图3显示精度和成功的阴谋在所有50个序列排名前十位的跟踪方法。方面的评价指标,提出跟踪方法(即。,ours-1) is able to obtain better results than any of the comparison methods due to the robust feature learning via online PCANet deep network. In the precision plot of OPE, the precision score of the proposed tracking method (i.e., ours-1) is 0.707, which is ranked the first place. Meanwhile, the other top four tracking methods are Struck (0.656), SCM (0.649), TLD (0.608), and VTD (0.576), respectively. In the success plot of OPE, the AUC score of the proposed tracking method (i.e., ours-1) is 0.566, which is also ranked the first place. Meanwhile, the other top four tracking methods are SCM (0.499), Struck (0.474), TLD (0.437), and ASLA (0.434), respectively. According to the precision and AUC scores, the proposed tracking method (i.e., ours-1) is comparable to the state-of-the-art tracking methods in both the precision and success plots.

性能分析在11个不同的属性。进一步分析该跟踪方法,我们验证提出了跟踪器的性能在每个属性提供的在线跟踪基准(OTB) [41]。在外围投注中,有11种不同的属性描述各种跟踪的挑战。每个视频序列是由一些属性注释。我们报告一次通过的评价的精度和成功的阴谋(开放)11日追踪器属性数据4和5,分别。数据显示4和5,很容易观察到,该跟踪方法(即。,ours-1) provides sufficient robustness to the 11 attributes, and our tracker consistently outperforms the other trackers in most of the challenges.

定性结果。在图6,我们说明了四种典型的图像序列的定性结果。为了方便更详细的分析,我们进一步报告中心距误差曲线的每帧图7。作为我们的跟踪器可以更好地捕捉的主要变化数据,我们可以观察到该跟踪方法演示了在其他跟踪方法性能优越。

4.4。影响不同的PCA PCANet层

在本节中,我们研究PCANet PCA层数量如何影响该方法的跟踪性能。具体来说,我们比较跟踪器(即。ours-1)与一个不同的结构。的新变化ours-1 ours-2表示。不同ours-1跟踪器包含两个PCA过滤层,ours-2追踪包含三个主成分分析过滤层。图8演示了该跟踪方法的性能比较与不同的PCA层PCANet的成功和精密的混乱关系在网上跟踪基准(OTB) [41]。我们观察到ours-2跟踪有三个主成分分析过滤层获得一个更好的结果比ours-1追踪两个PCA过滤层。这表明提出的性能跟踪方法可以进一步提高当PCANet的PCA层数增加。然而,改善并不显著,计算效率低下。

4.5。定性结果Mitocheck细胞数据集

评估的性能提出的跟踪方法在单个细胞跟踪,我们测试提出的跟踪方法Mitocheck细胞数据集(40]。在图9我们报告的定性跟踪结果四个Mitocheck数据集的单个细胞。我们可以观察到该跟踪方法同时维护整体和局部的外观信息,因此提供了一个紧凑的表示细胞。因此,该跟踪方法可以实现良好的性能在单个细胞跟踪。

4.6。讨论

在本文中,我们重点学习一个健壮的PCANet-based外观模型,单个细胞/对象跟踪。根据上述实验结果具有挑战性的数据集,提出了跟踪方法取得了可喜的成果。然而,提出跟踪器的性能可能恶化目标对象时阻挡在很长一段时间。PCANet-based外观模型更新的原因是通过一个简单而具体模式不明确检测阻塞。为了解决这一问题,更复杂的遮挡检测和遗忘模式应该被纳入该跟踪器来实现有效的模型更新。

5。结论

我们提出了一个健壮的特性学习方法通过PCANet深网络延时的健壮的单个细胞/对象跟踪和2 d彩色成像序列。细胞/对象首先是有效地代表PCA-based过滤器银行通过组合层,一个非线性层,分别和一个patch-based池层。然后,歧视的目标外观模型通过训练神经网络与一个隐藏层。最后,为了缓解跟踪漂移问题,样品更新计划精心设计跟踪最具代表性和多样化的样本,同时跟踪。广泛的实验挑战从Mitocheck细胞图像序列数据集和在线跟踪基准(OTB) [41)验证拟议中的单个细胞/对象的鲁棒性和有效性跟踪方法。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作是由中国自然科学基金会(61572205号,61572206,51305142,61175121),福建省自然科学基金(2015 j01257和2013 j06014号),促进中青年教师在科学和技术研究的华侨大学(ZQN-PY210号和ZQN-YX108),和2015年计划在福建大学新世纪优秀人才。

引用

1. 周x, x, s . t . c . Wong“自动分割、分类和跟踪延时显微癌细胞核的”IEEE生物医学工程,53卷,不。4、762 - 766年,2006页。视图:出版商的网站|谷歌学术搜索
2. e·梅耶尔o . Dzyubachyk,即从小型“细胞和粒子跟踪的方法,”活细胞成像和光谱分析卷,504年,页183 - 200,爱思唯尔,2012年。视图:谷歌学术搜索
3. e·梅耶尔o . Dzyubachyk,即从小型和w·a·范Cappellen“跟踪在细胞和发育生物学,”在细胞和发育生物学研讨会,20卷,不。8,894 - 902年,2009页。视图:出版商的网站|谷歌学术搜索
4. t·金,z阴,r .寒风et al .,“细胞图像分析:算法、系统和应用程序”《IEEE计算机视觉的应用研讨会(WACV 11)海岸线,页374 - 381年,夏威夷,美国2011年1月。视图:出版商的网站|谷歌学术搜索
5. v c·亚伯拉罕、d·l·泰勒和j·r·哈斯金斯”高内容筛选应用于大规模的细胞生物学,”生物技术的发展趋势,22卷,不。1,第15 - 22页,2004。视图:出版商的网站|谷歌学术搜索
6. a . Yilmaz o . Javed, m .沙”对象跟踪:一项调查,”ACM计算调查,38卷,不。4,1-45,2006页。视图:出版商的网站|谷歌学术搜索
7. a·w·m·Smeulders d·m·楚r . Cucchiara s Calderara a . Dehghan和m .沙”视觉跟踪:一个实验调查,“IEEE模式分析与机器智能,36卷,不。7,1442 - 1468年,2014页。视图:出版商的网站|谷歌学术搜索
8. x, w . Hu c .沈z, A .迪克和A . van den Hengel,“视觉物体外观模型的跟踪调查,“ACM智能交易系统和技术,4卷,不。4,1-58,2013页。视图:出版商的网站|谷歌学术搜索
9. t·施罗德“哺乳动物干细胞的长期单细胞成像”自然方法,8卷,不。4,S30-S35, 2011页。视图:出版商的网站|谷歌学术搜索
10. j . w .年轻,j·c·w·洛克,a Altinok et al .,“测量单细胞基因表达使用延时显微荧光动力学在细菌中,“自然的协议,7卷,不。1,第88 - 80页,2012。视图:出版商的网站|谷歌学术搜索
11. 问:邹,曾庆红j . l .曹,r .霁”小说特征与应用程序排名指标可伸缩的视觉和生物信息学数据分类,“Neurocomputing卷,173年,第354 - 346页,2016年。视图:出版商的网站|谷歌学术搜索
12. d·a·罗斯,j . Lim R.-S。林,M.-H。杨”,强大的视觉跟踪增量学习,”国际计算机视觉杂志》上,卷77,不。1,第141 - 125页,2008。视图:出版商的网站|谷歌学术搜索
13. j .胆,a .姚明:哈,l . Van干傻事,诉Lempitsky,“脚腕森林为目标检测、跟踪和行为识别,”IEEE模式分析与机器智能,33卷,不。11日,第2202 - 2188页,2011年。视图:出版商的网站|谷歌学术搜索
14. s . Avidan“支持向量跟踪”,IEEE模式分析与机器智能,26卷,不。8,1064 - 1072年,2004页。视图:出版商的网站|谷歌学术搜索
15. h . Grabner c·莱斯特那女孩和h,“Semi-supervised在线提高鲁棒跟踪,”第十届欧洲计算机视觉学报》上2008年10月,马赛,法国,。视图:谷歌学术搜索
16. c . c .林w . Chen秋Krishnan,问:邹,y . Wu”LibD3C:系综分类聚类和动态选择策略,”Neurocomputing卷,123年,第435 - 424页,2014年。视图:出版商的网站|谷歌学术搜索
17. d . Comaniciu诉拉梅什和p·米尔,“基于对象跟踪,”IEEE模式分析与机器智能,25卷,不。5,564 - 577年,2003页。视图:出版商的网站|谷歌学术搜索
18. f·李,周x、j . Ma和s . t . c . Wong“多个核跟踪使用整数规划定量癌症细胞周期分析,“IEEE医学成像卷,29号1,第105 - 96页,2010。视图:出版商的网站|谷歌学术搜索
19. m . Danelljan f·s .汗,m . Felsberg和j . v . Weijer“实时视觉跟踪自适应颜色属性,”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)俄亥俄州哥伦布市,页1090 - 1097,美国2014年6月。视图:出版商的网站|谷歌学术搜索
20. h . Grabner h .女孩,“网上刺激和视觉,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 06年)IEEE,页260 - 267年,纽约,纽约,美国,2006年6月。视图:出版商的网站|谷歌学术搜索
21. 兔子,a . Saffari和p h·s·托”了:结构化输出跟踪与内核,“《IEEE计算机视觉国际会议西班牙巴塞罗那,页263 - 270,,2011年11月。视图:出版商的网站|谷歌学术搜索
22. r .姚明,问:施,c .沈y,和a . Van Den Hengel说,“部分原因与在线视觉跟踪潜在的结构学习,”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)俄勒冈州波特兰市,页2363 - 2370,美国2013年6月。视图:出版商的网站|谷歌学术搜索
23. 诉Takala和m . Pietikainen”多目标跟踪使用颜色、纹理和运动”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR ' 07),页1 - 7,明尼阿波利斯,明尼苏达州,美国,2007年6月。视图:出版商的网站|谷歌学术搜索
24. y, t·f·吴和研究所。朱,“在线对象跟踪、学习、和解析与或图,”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)俄亥俄州哥伦布市,页3462 - 3469,美国2014年6月。视图:出版商的网站|谷歌学术搜索
25. j .风扇、沈x和y,“潦草追踪:matting-based健壮的跟踪方法,”IEEE模式分析与机器智能,34卷,不。8,1633 - 1644年,2012页。视图:出版商的网站|谷歌学术搜索
26. x卢、m . Schiegg和f . a . Hamprecht”活跃细胞跟踪:结构化的学习算法,框架,和可用性,”IEEE医学成像,33卷,不。4、849 - 860年,2014页。视图:出版商的网站|谷歌学术搜索
27. g·e·辛顿和r . r . Salakhutdinov”,与神经网络,降低数据的维数”科学,卷313,不。5786年,第507 - 504页,2006年。视图:出版商的网站|谷歌学术搜索|MathSciNet
28. g·e·辛顿·l·邓,d . et al .,“深层神经网络语音识别的声学建模:四个研究小组的共同观点,“IEEE信号处理杂志卷,29号6,82 - 97年,2012页。视图:出版商的网站|谷歌学术搜索
29. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”学报》第26届年会在神经信息处理系统(捏12)2012年12月,页1097 - 1105。视图:谷歌学术搜索
30. y Bengio、a .考维尔和p·文森特,”表示学习:审查和新视角,”IEEE模式分析与机器智能,35卷,不。8,1798 - 1828年,2013页。视图:出版商的网站|谷歌学术搜索
31. j·多纳休,y, o . Vinyals et al .,“脱咖啡因:深卷积为通用的视觉识别激活功能,”31日学报》国际会议上机器学习(ICML 14)2014年6月,页988 - 996。视图:谷歌学术搜索
32. k·t·汉Chan, j . w . Lu, s·h·高z n .曾和y妈,“PCANet:一个简单的深度学习基线图像分类,“IEEE图像处理,24卷,不。12日,第5032 - 5017页,2015年。视图:谷歌学术搜索
33. g . Carneiro和j . c . Nascimento”组合多个动态模型和深度学习架构跟踪超声数据的左心室心内膜,”IEEE模式分析与机器智能,35卷,不。11日,第2607 - 2592页,2013年。视图:出版商的网站|谷歌学术搜索
34. n . y . Wang和d . y .杨学习一门深紧凑的视觉跟踪的图像表示神经信息处理系统的进步,2013年。
35. j .粉丝,w .徐、吴y和y锣,“人类使用卷积神经网络跟踪,”IEEE神经网络,21卷,不。10日,1610 - 1623年,2010页。视图:出版商的网站|谷歌学术搜索
36. l . j . Wang w·l·欧阳x g . Wang和h c .,“与完全卷积网络视觉跟踪,”《IEEE计算机视觉国际会议(ICCV 15),页3119 - 3127,圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
37. 美国香港,t . s .夸克,汉族,“在线跟踪通过学习区别的特点与卷积神经网络地图,”美国第32机器学习(ICML 15)国际会议上,第606 - 597页,2015年。视图:谷歌学术搜索
38. c . Ma j·b·黄x k .杨·m·h·杨,“分层卷积为视觉跟踪特性,”《IEEE计算机视觉国际会议(ICCV 15),页3074 - 3082,圣地亚哥,智利,2015年12月。视图:出版商的网站|谷歌学术搜索
39. h·s·南和b . y .汉”,学习多域卷积神经网络视觉跟踪,”http://arxiv.org/abs/1510.07945。视图:谷歌学术搜索
40. http://www.mitocheck.org/cgi-bin/mtc?action=show_movie;查询= 243867。
41. j . w . y . Wu Lim, M.-H。杨”,在线跟踪对象:基准”学报》第26届IEEE计算机视觉与模式识别会议(CVPR 13)IEEE,页2411 - 2418年,波特兰,矿石,美国,2013年6月。视图:出版商的网站|谷歌学术搜索
42. x梅和h .凌,“强劲的视觉跟踪使用L1最小化,”IEEE学报》12日在计算机视觉国际会议,2009年9月。视图:谷歌学术搜索
43. h·c·鲍y Wu凌,h .霁”实时健壮的L1追踪使用近端加速梯度方法,”《IEEE计算机视觉与模式识别会议(CVPR 12)普罗维登斯,页1830 - 1837年,RI,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
44. k·h·张,张l, m·h·杨,“实时压缩跟踪”《欧洲计算机视觉大会12)佛罗伦萨,意大利,2012年10月。视图:谷歌学术搜索
45. t, s . Liu n . Ahuja M.-H。杨,加尼姆,“强劲的视觉跟踪通过一致的低秩稀疏学习”,国际计算机视觉杂志》上,卷111,不。2、171 - 190年,2014页。视图:出版商的网站|谷歌学术搜索
46. x贾、h·c·卢和M.-H。杨:“视觉跟踪通过自适应结构局部稀疏的外观模型,”《IEEE计算机视觉与模式识别会议(CVPR 12)IEEE,页1822 - 1829年,普罗维登斯,RI,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
47. 基于z张和k h . Wong“金字塔视觉跟踪使用稀疏表示的意思是转换”美国27日IEEE计算机视觉与模式识别会议(CVPR 14)俄亥俄州哥伦布市,页1226 - 1233,美国2014年6月。视图:出版商的网站|谷歌学术搜索
48. b . n .钟h . x姚明,s, r . r .霁T.-J。下巴,和h . z王”,通过弱监督学习从多个视觉跟踪不完美的神谕,”模式识别卷,47号3、1395 - 1410年,2014页。视图:出版商的网站|谷歌学术搜索
49. x y周,巴姨,w . y . Liu和l . j . Latecki“相似度融合视觉跟踪,”国际计算机视觉杂志》上,卷118,不。3、337 - 363年,2016页。视图:出版商的网站|谷歌学术搜索|MathSciNet
50. z Kalal、k . Mikolajczyk和j . Matas”Tracking-learning-detection”,IEEE模式分析与机器智能,34卷,不。7,1409 - 1422年,2012页。视图:出版商的网站|谷歌学术搜索
51. b . Babenko M.-H。杨,s . Belongie“健壮的对象与在线跟踪多个实例学习”,IEEE模式分析与机器智能,33卷,不。8,1619 - 1632年,2011页。视图:出版商的网站|谷歌学术搜索
52. j . f .戴安娜r . Caseiro·马丁斯和j·巴蒂斯塔,“高速跟踪kernelized相关性过滤器,”IEEE模式分析与机器智能,37卷,不。3、583 - 596年,2015页。视图:出版商的网站|谷歌学术搜索
53. z z . Chen在香港,d .道,“一个实验调查相关基于过滤器跟踪”http://arxiv.org/abs/1509.05520。视图:谷歌学术搜索
54. l·w·m·左x h . Wu, l·张,M.-H。阳,“学习支持视觉跟踪相关过滤器,”http://arxiv.org/abs/1601.06032。视图:谷歌学术搜索
55. x卢,Koethe、j . Wittbrodt和f . a . Hamprecht”学习段密集细胞核形状之前,”《IEEE计算机视觉与模式识别会议(CVPR 12)IEEE,页1012 - 1018年,普罗维登斯,RI,美国,2012年6月。视图:出版商的网站|谷歌学术搜索
56. o . Dzyubachyk w·a·范Cappellen j .埃塞尔w . j . Niessen和e·梅耶尔,“先进level-set-based细胞跟踪延时荧光显微镜、”IEEE医学成像卷,29号3、852 - 867年,2010页。视图:出版商的网站|谷歌学术搜索
57. g . l . Wang t . Liu, k . l . Chan和问:杨,“视频跟踪使用学到的分层特性,”IEEE图像处理,24卷,不。4、1424 - 1435年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
58. h . x, y,和f . Porikli”Deeptrack:学习区别的特征表示为视觉跟踪卷积神经网络,”英国机器视觉研讨会论文集(BMVC 14)英国诺丁汉,BMVA出版社,2014年9月。视图:谷歌学术搜索

版权

版权©2016 Bineng钟等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。