卷积的深层信念网络单细胞/对象跟踪计算生物学和计算机视觉

文摘

在本文中,我们提出深架构动态学习最歧视的特性数据为单细胞和对象跟踪的计算生物学和计算机视觉。首先,区别的功能是自动学习通过卷积的深层信念网络(CDBN)。其次,我们设计一个简单而有效的方法来转移特性从CDBNs源任务用于通用目的的对象跟踪任务只使用有限的训练数据。最后,为了缓解跟踪漂移问题引起的模型更新,我们共同考虑三种不同类型的阳性样本。大量的实验验证了该方法的鲁棒性和有效性。

1。介绍

细胞和对象跟踪在计算生物学(一个活跃的研究领域1,2和计算机视觉3- - - - - -6有很多实际应用,例如,药物发现,细胞生物学,智能视频监控、无人驾驶车辆和机器人技术。尽管近年来取得的进展,设计可靠的细胞和对象跟踪方法仍然是一个挑战性的问题由于非刚性变形造成的外观变化,光照变化,遮挡,密集的人口和凌乱的场景,等等。因此,一个关键的组件在细胞和对象跟踪是构建一个健壮的外观模型,该模型可以有效地处理每个挑战。

多年来,有识别力的基于模型的外观建模一直受欢迎的由于其有效性推断从相对较少的训练样本。大多数现有的方法集中在两个方面构建一个健壮的区别的外观模型:特征表示和分类器结构。

特征表示。我们已经取得了巨大进展在特性表征细胞和对象跟踪。通常,细胞数量和对象跟踪方法使用简单的颜色(7[]或强度8)直方图特征表示。最近,各种更复杂的手工制作的特性表征已经应用在细胞和对象跟踪,如subspace-based功能(9,10],哈雾特性[11- - - - - -13],局部二值模式(LBP) [14),梯度直方图(猪)15,16)、尺度不变特征变换(SIFT) [17),和形状特性(18]。虽然上面的手工制作的特性都取得了极大的成功为他们的特定的任务和数据域,它们不是有效捕获细胞的时变特性和对象出现。

分类器结构。设计一个好的分类器的外观模型中扮演了另一个重要角色。典型的整体学习分类器包括(19- - - - - -22,结构学习18,23),支持向量机(24),稀疏编码(25,26),以及最小费用流(27),和semi-supervised学习(28,29日]。然而,由于这一事实外观变化非常复杂,这些分类器受到他们的浅层结构。

本文受深度学习的显著进步(30.- - - - - -34)大数据分析(35),我们建议一个健壮的细胞和对象跟踪方法(称为CDBNTracker)依赖于卷积深层信念网络(CDBNs)地址限制从手工制作的特性和浅分类器的设计。如图1,我们CDBNTracker是建立在CDBNs训练从原始像素,这是由两个卷积限制玻耳兹曼机(CRBMs)和一个完全连接层。我们所知,这是第一次应用DBN-like网络体系结构到细胞和对象跟踪。

CRBMs堆叠在彼此之上,每一个都包含一个滤波器组层和一个概率max-pooling层,分别。端到端训练,CDBNTracker自动学习层次特性以监督的方式,使它非常歧视在外观建模。我们进一步提出一个战略转移到更好的重用pretrained CDBN功能在细胞和对象跟踪任务。这允许CDBNTracker学习细胞或特定对象特性表征。

最后但并非最不重要,我们提出一个系统的和启发式解决缓解CDBNTracker跟踪漂移的问题。特别是,我们积极的样品分为三个类别进行分类更新CDBN-based外观模型,即真实样品(非适应样本获得的第一帧),长期样本(适度适应样本中获得最新的框架),和短期样本(在当前帧高度自适应样本收集)。我们的CDBNTracker的优点是三倍。

(1)我们的CDBNTracker遵循尖端深度学习框架。和提出CDBNTracker不同于最近深上优于追踪器通过使用多层CDBNs与当地相关权重减少模型训练样本匮乏下的复杂性。此外,我们转移通用的视觉模式好初始化跟踪器来缓解“第一帧标记”的问题。

(2)我们开发一个新的模型更新策略能够有效地缓解跟踪漂移。除了短期和第一帧信息,长期信息选择性记忆更新当前模型状态缓解突然出现变化。

(3)不同于大多数先前的追踪器,使用手工制作的特性和浅模型,我们CDBNTracker在线训练的多层CDBN监督方式哪个更歧视和描述性。

剩下的纸是组织如下。给出相关工作的概述部分2。部分3介绍了如何学习数据驱动的细胞或从CDBN对象外观模型。然后详细的跟踪方法中描述的部分4。实验结果给出了部分5。最后,我们总结这部分工作6。

2。相关工作

在过去的几十年中,大量的细胞和对象跟踪方法提出了(1- - - - - -6]。自提出跟踪方法侧重于利用深度学习构建健壮的外观模型细胞和对象跟踪,在这一部分中,我们首先回顾在线生成和歧视的跟踪方法。然后,也简要介绍了细胞跟踪方法。最后,我们讨论的当前进展使用深度学习细胞和对象跟踪研究。

2.1。在线单元和对象跟踪

2.1.1。生成模型

生殖细胞跟踪模型描述和对象通过统计模型使用重建错误表象。一些有代表性的方法包括意味着三班跟踪(7],整数programming-based跟踪[8],PCA-based跟踪[9),稀疏coding-based追踪器(25,26],GMM-based跟踪[36),多声道的集成(37),和基于结构化的学习跟踪器18]。而生成跟踪方法通常成功在更复杂的场景由于丰富的外观模型,他们容易失败在复杂场景不考虑前景和背景之间的区别的信息。

2.1.2。有识别力的模型

另一方面,有识别力的跟踪模型通常视图单元格和对象跟踪作为二进制分类任务。因此,他们的目标是明确学习分类器可以区分细胞或对象从周围的背景。在[38),提出了一个总体上优于追踪,一群弱分类器的自适应构造对象跟踪。在[11),在线增强型跟踪提出了对象跟踪。Grabner和女孩11]扩展增加在线有识别力的跟踪算法。然而,基于在线学习追踪器很容易跟踪漂移的问题。最近,已经提出的各种歧视的跟踪方法缓解漂移问题。使用锚的假设(即。,the current tracker does not stray too far from the initial appearance model), Matthews et al. [39)开发基于模板的跟踪器的部分解决方案。在[20.),半监督提高算法应用于网络对象跟踪之前通过使用分类器。很明显,semi-supervised增强型追踪不健壮的外表非常大的变化。在[28],Babenko等人提出了多个实例增强型跟踪方法。兔子et al。12)使用一个在线kernelized结构化对象跟踪输出支持向量机。在[23),在线结构提出了基于支持向量机跟踪器。伯和加西亚29日)使用一个快速自适应跟踪方法通过cotraining跟踪非刚性的对象。已经进行了很多尝试应用转移学习对象跟踪(40,41]。然而,他们可能会受到使用手工制作的特性不能简单地适应根据新的观测数据在跟踪过程中获得的。

2.1.3。细胞跟踪方法

最近,细胞和计算生物学的快速发展,提出了几种细胞跟踪方法。在[8),李等人采用整数规划为多个核跟踪量化癌症细胞周期分析。在[18),卢等人提出一个活跃的结构化的学习方法,多单元的跟踪、兼容性函数(即。,全球关联测量)设计假设和分数。在[27),Padfield等人提出一个细胞跟踪通过高通量耦合最小费用流定量分析方法。

2.2。深度学习细胞和对象跟踪

由于强大的表现能力,深度学习(33)最近获得越来越多的关注在计算生物学,医学影像分析(42,计算机视觉32,43),语音识别(31日),自然语言处理,等等。深度信念网络(44)、autoencoders和卷积神经网络(32)是三个代表深度学习的方法计算生物学和计算机视觉。

尽管我们已经取得了巨大进展在深度学习,只有数量有限的跟踪方法使用特性表征从深度学习至今已提出了42,45- - - - - -50]。在[46),提出了卷积神经网络跟踪方法跟踪人类。然而,一旦训练模型,它是固定在跟踪由于特性在离线训练学习。为了处理左心室心内膜超声波数据,Carneiro和Nascimento42]融合多个动态模型和深度学习架构在粒子滤波框架。在[51),不使用卷积神经网络完全连接层,一个完全卷积神经网络提出了对象跟踪。在[47),一个卷积神经网络跟踪方法,pretrained网络转移到一个感兴趣的对象。马等。48)结合pretrained VGG特性(52)和相关性过滤器对象跟踪改善定位精度和鲁棒性。在[49),提出了一种多畴的卷积神经网络跟踪方法。在[50),陈等人提出一个卷积神经网络跟踪方法,转让pretrained特性从卷积神经网络跟踪任务。陈的方法相比,利用卷积神经网络,我们CDBNTracker探索深度学习算法(即不同。,一个回旋的深层信念网络,CDBN)单细胞/对象跟踪。而不是使用卷积神经网络,一个autoencoder-based跟踪方法(45),提出了通用的图像特征是首先从离线数据集,然后转移到一个特定的跟踪任务。

在本文中,我们专注于如何构建一个有效的CDBN-based外表歧视单细胞模型和对象跟踪在细胞生物学和计算机视觉,分别。我们所知,这是第一次DBN-like网络体系结构应用于单细胞和对象跟踪。

3所示。对象外观模型

在本节中,我们解决的问题,如何学习从CDBN数据驱动的外观模型。

3.1。CRBM和CDBN

CDBN [43)是一种层次生成模型由一个可见的(观察)层和许多隐藏层,也就是说,几个CRBMs叠在另一个之上。单位之间的统计关系在较低的层是了解了每个隐层单元;层越高表示倾向于变得越来越复杂和抽象。符号后李et al。43),我们简要地回顾CRBM CDBN。

CRBM是遏制这充分的扩展连接隐藏层和可见的层。捕获的二维结构图像和合并翻译不变性,CRBM股票权重之间隐藏的单位和可见的单位所有位置中隐藏的单位。CRBM由可见(输入)层和一个隐藏层。在本文中,我们使用实值明显的单位和binary-valued隐藏的单位。表示随着th卷积过滤器一个隐藏的单元和可见的单元之间的重量;作为一个偏差变量之间共享单位和隐藏作为一个可见的偏见可见单元之间共享。能量函数的概率max-pooling CRBM与实值单位可以被定义为可见 在哪里卷积过滤器和数量吗是一个本地块相邻的隐藏的单位池的池单元。应该注意的是,概率max-pooling使CRBM将max-pooling-like行为,同时允许概率自下而上和自上而下的推理43]。条件概率分布可以计算如下: 在哪里,是一个完整的卷积,是一个有效的卷积,然后呢。

通常,CRBM高度overcomplete由于CRBM的隐藏层包含的事实组织单位,每个大约可见图层的大小(输入图像)。为了避免CRBM学习简单的风险解决方案,稀疏惩罚项添加到对数似训练数据的目标函数。因此,每个隐单元组平均激活接近常数。最后,在贪婪和layer-wise培训之后,我们堆栈CRBMs CDBN。

3.2。学习从CDBNs细胞外观和对象模型

摘要视图对象跟踪在线学习问题和使用CDBN转移到构建细胞和对象外观模型由于其自动学习的能力层次特征表示。如图2,关键的想法是使用内部CDBN特性作为一个通用的,中层的形象代表,它可以在一个数据集pretrained(这里的任务来源CIFAR-10 [53),然后再利用跟踪任务。

源任务,更具体地说,我们pretrain CDBN两层CRBM紧随其后的是一个完全连接层和CIFAR-10自然图像数据集(53]。CIFAR-10数据集是一个标签的子集8000万小图片,包含60000张图片和十类。每个CRBM层由一个隐藏和池层。第一个CRBM层由12组卷积过滤器,而第二个CRBM层由288组卷积过滤器。每个池的池比设置为2层。第一和第二的目标稀疏CRBM层设置为0.003和0.005,分别。完全连接层一个FC3有192单位文件。输出层10码等于目标类别的数量。从图可以看出3(一个)在得知过滤器在面向第一CRBM层(上)和局部边缘过滤器,而学会了过滤器在第二CRBM层(底部)选择性响应轮廓,角落,角度和表面边界的图像。

pretraining源任务后,参数层h1, p1, p2, h2,和一个FC3首先转移到文件跟踪任务。然后,我们把输出层与10单位和添加一个输出层单元。最后,新设计CDBN修剪(微调)训练数据从一个特定的跟踪任务学习一个单元或对象外观模型。这个简单但有效的转移模式使该CDBNTracker解决域训练任务的变化。实证说明转让的效力,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。图3 (b)显示了调整过滤器训练的训练数据从第一帧motorRolling序列(6]。图3 (c)显示了调整过滤器训练的训练数据从第一帧Mitocheck序列(54]。它可以从两个数字3 (b)和3 (c)除了边缘,角落里,和结探测器,转移CDBN也自适应学习不同,根据新观测数据的复杂特性。

4所示。单细胞和对象跟踪通过CDBNs (CDBNTracker)

在本节中,我们提出一个单细胞和对象跟踪方法,在CDBN-based外观模型有效地纳入一个粒子滤波框架。粒子滤波框架包括两个关键部件。

(1)动态模型根据以往的粒子生成候选样本。摘要连续两帧之间的动态模型是假定为高斯分布:,在那里代表一个和协方差矩阵表示细胞或对象状态参数组成的横向坐标,垂直坐标,宽度和高度分别。

(2)一个观测模型计算候选样本之间的相似性和细胞或对象的外观模型。本文提出CDBN-based外观模型用于估计似然函数的分数。

捕捉外观变化,观测模型(即。,the CDBN-based appearance model) needs to be updated over time. Therefore, to alleviate the tracker drifting problem, we classify the positive samples into three categories: ground-truth samples (nonadaptive samples obtained in the first frame), long-term samples (moderately adaptive samples obtained in the most recent frames via FIFO schema), and short-term samples (highly adaptive samples collected in the current frame). We assume the ground-truth set of positive samples obtained in the first frame to be。长期的阳性样本集在最近的帧来标示,在那里是时间滑动窗口的缓冲区大小。收集到的负样本和短期正样本集的当前帧中表示和,分别。在每一帧,我们更新CDBN-based外观模型使用,,,。

最后,总结我们的单细胞CDBN-based跟踪方法中描述和对象跟踪算法1。

算法1(单细胞和对象跟踪通过学习和转移CDBN)。
初始化(1)Pretrain CDBN CIFAR-10数据集。(2)获得在第一帧手动标签。收集真实的阳性样本集和消极的样品。(3)调整每个积极/消极图像补丁像素。(4)构建CDBN-based外观模型通过微调和转移pre-trained CDBN使用和。(5)初始化粒子集在时间,在那里,(6)设置最大缓冲区大小长期积极的样品。为 结束视频(1)预测:对于,生成(2)可能性评估:对于,让。(3)确定最优对象状态最大重量的粒子。(4)重新取样:规范化的重量和计算协方差归一化权重。如果这个方差超过一个阈值,那么和替换与。(5)更新:(5.1)设定短期积极的样品在时间当图像补丁有10最高的信心(估计的可能性评估)。(5.2)选择负样本在时间。(5.3)更新长期的正样本集。(5.4)如果大小的大于,然后保持最后被截断吗元素。(5.5)更新CDBN-based基于外观模型,,和。结束了

5。实验

在本节中,我们首先介绍我们的实验的设置。然后,我们测试提出CDBNTracker (CDBN-10-2),有两个CRBM层紧随其后的是一个完全连接层和pretrained CIFAR-10数据集,Mitocheck数据集(54),和CVPR2013跟踪基准(6),分别。Mitocheck数据集从Mitocheck项目54)是一种延时显微图像序列。Mitocheck序列包含细胞密度较高,较大的强度变化,和照明的变化。CVPR2013跟踪基准包含50充分注释的图像序列。每个图像序列标记的属性指示的存在不同的挑战方面,如光照变化、尺度变化、遮挡、变形、和背景杂波。显示的优点CDBN-10-2其他竞争的追踪器,我们用一些比较先进的跟踪方法包括一个相关的深度学习跟踪(DLT) [45]。此外,不同的功效正样本实证评估通过一个精心设计的实验。最后,检查的影响不同的训练数据和CDBN架构,我们评估的性能提出CDBNTracker训练数据的数量和CDBN CRBM层的数量在不断增长。

5.1。实验设置

拟议中的CDBN-10-2在Matlab中实现与Intel®惠普Z800工作站Xeon®E5620 2.40 GHz处理器和12 G RAM。粒子滤波的粒子数设置为1000。每个图像的观察目标对象是一个规范化补丁。时间滑动窗口的缓冲区大小设置为25。火车CDBN,我们采用随机梯度下降势头。在每一帧,时代列车CDBN所需的数量是500。设置为学习速率和动量和0.5,分别。平均处理速度是大约5 fps的决议像素不使用gpu。因此,提出CDBN-10-2可以实现实时处理速度如果gpu(例如,特斯拉k40)。的主内存成本提出CDBN模型中参数的数量。然而,CDBN股票权重在所有地点在一个图像。因此,在我们CDBN模型参数的数量显著降低(只)。我们只需要一个小规模的数据集(例如,与60000年CIFAR-10图像)pretrain CDBN模型,可以有效地转移到跟踪任务。提出CDBN模型可以获得更好的性能,如果我们使用其他大规模数据集初始化(例如,加州理工学院- 256或ImageNet)。在我们的实验中,如果一个参数是一个字节的内存空间在Matlab中,我们发现内存成本KB。我们使用相同的参数的实验。

对于绩效评估,我们测试提出CDBN-10-2 Mitocheck数据集(54)和CVPR2013跟踪基准,分别。2013年CVPR跟踪基准,30公开追踪评估。我们按照协议中使用的基准,评估是基于两个不同的指标:成功的精密情节和情节。精密情节显示帧的百分比的估计位置是在给定的阈值距离地面真理,和代表精度得分(阈值= 20像素)用于排名。另一个度量包含重叠精度的阈值范围。重叠精度定义为帧的边界框重叠的百分比超过给定的阈值不同,从0到1。与精密的阴谋,追踪器中使用的曲线下面积(AUC)成功的阴谋。此外,我们比较CDBN-10-2王的深度上优于追踪(DLT)和杨45]。

5.2。与其他追踪CVPR2013跟踪基准

5.2.1。定量评价

定量比较的结果在图列出所有的追踪器4只有十大追踪显示清晰。精密的传奇情节中的值是相对的帧数在50序列的中心位置误差小于20像素的阈值。成功的传说中的值是AUC的阴谋。在精度和成功的阴谋,提出CDBN-10-2相比是最先进的替代方法。我们CDBN-10-2优于平均距离达成2.8%精度的阈值20像素,虽然优于SCM AUC的4.3%。CDBN-10-2的健壮性在于层次和深度基于结构的外观模型是有区别地培训在线账户为每一个变量。

5.2.2。时间和空间的鲁棒性评估

众所周知,一个追踪者可能是敏感的初始化。初始化分析跟踪的鲁棒性,我们遵循评价协议提出了(6)通过扰动初始化暂时(称为颞健壮性混乱关系)和空间(称为空间健壮性、行为)。混乱关系,每个序列划分为20段,而行为,12个不同的边界框是评估每一个序列。精度和成功情节混乱关系和行为图所示5。提出CDBN-10-2执行有利其他追踪器相比,在时间和空间上的鲁棒性评估。

5.2.3。属性的评价

对象的外观变化可能是由于光照变化,遮挡,姿势变化,凌乱的场景,背景,等等。分析跟踪器的性能对于每一个具有挑战性的因素,基准注释每一个序列和结构的属性子集与11个不同的主要属性,即照明变化、尺度变化、遮挡变形、运动模糊、快速运动,平面旋转,出平面旋转,看不见了的时候,背景杂乱,和低分辨率。我们与30技术发展水平进行定量比较跟踪方法50序列注释对上述属性。由于空间限制,我们展示了代表成功的行为对不同子集划分基于目标对象表的主要变化1。我们可以看到,该CDBN-10-2 11日执行良好的属性。

5.2.4。定性评价

定性比较和排名前十的追踪器(四种典型的序列)如图6。与此同时,更近距离的评价,我们将展示相应的中心距误差每帧的例子在图7十大追踪器相比,这表明,我们的方法可以将pretrained CDBN特性的特定目标对象。

记得pretrained CDBN学完全从自然场景,这是完全不相关的跟踪任务。然而,根据整体的跟踪结果,提出CDBN-10-2优于竞争方法。这意味着我们的方法可以有效地构建健壮的对象外观模型的学习和高度一般CDBN转移特性。

5.2.5。与DLT (45]

显示的优势比其他竞争CDBN-10-2追踪器基于深度学习,我们比较它与DLT (45]。根据实验结果给出了(55),DLT达到0.452 20像素的阈值的精度和0.443 2013年CVPR的AUC跟踪基准。虽然DLT已经显示出良好的性能在几个场景中,它不利用标签从去噪autoencoder学习特性的信息,很难适用于杂乱的背景。拟议中的CDBN-10-2优于DLT 23.2%平均距离精度20像素的阈值,而在AUC它优于9.9%。这是因为提出CDBN-10-2可以有效地学习目标的外观变化,同时保留的能力区分目标从背景中通过结合线下和线上歧视学习。

5.3。功效不同的阳性样本

拟议的CDBN-10-2一大优势在于积极的样品分为三个类别来捕捉变化而减轻漂移的问题。来验证这个优势,我们检查阳性样品的更新过程,给几个例子图8。motorRolling序列在第一行遭受大的姿势和灯光的变化。足球序列在第二行包含一个球员朝着一个杂乱的背景下。singer1序列在第三行PTZ摄像机捕捉到,大型照明的变化。慢跑序列在第四行患有短期遮挡,姿势,和外观变化。如图8,很明显,该CDBN-10-2能真实有效地利用,长期和短期的阳性样本需要增量更新CDBN-10-2捕捉对象的外观变化而减轻漂移的问题。

5.4。不同的训练数据和CDBN架构的影响

自提出CDBN-10-2由两层CRBM紧随其后的是一个完全连接层和上pretrained CIFAR-10数据集(53),出现以下问题:(1)为什么公共数据集对象识别是有效的对象跟踪,即使数据集不包含目标对象?(2)拟议中的CDBNTracker是否会继续改善数据还是在CDBN CRBM层数量的增长?要回答这两个问题,我们调查的性能提出CDBNTracker训练数据量和CDBN CRBM层的数量在不断增长。

具体来说,我们首次研究CDBN-10-2两个简单的变化,即cdbn - 100 - 2和CDBN-tiny-2。他们共享相同的拓扑CDBN-10-2但pretrained cifar - 100或小datatset [53]。cifar - 100就像CIFAR-10,除了它有100类包含600张图片。7900万年的小图片,我们随机抽样202932图像pretrain CDBN-tiny-2。然后,我们pretrain CDBNTracker三个CRBM层从CIFAR-10紧随其后的是一个完全连接层。这个版本的CDBNTracker用CDBN-10-3。

由于空间限制,我们只显示精度和成功情节混乱关系的CVPR2013跟踪基准图9。显然,CDBNTracker提出持续改善的性能数据或在CDBN CRBM层数量的增长。此外,虽然CDBN离线训练为其他目的(例如,对象识别),该CDBNTracker可以执行的跟踪任务通过使用内部CDBN特性作为一个通用的,中层形象表示。我们猜想这是因为CDBN特性更有效代表中层目标比手工的概念。

5.5。Mitocheck细胞数据集上实验结果

我们方法的定性单细胞跟踪结果的单细胞Mitocheck数据集(54)如图10。由于空间限制,结合多个单细胞跟踪结果如图10。很明显看到从图10低质量(低对比度)图像、光照变化,和大强度变化挑战细胞跟踪方法。由于强大的表示从多层CDBNs与当地相关权重降低模型复杂度在训练样本的短缺,我们的方法仍然可以提供承诺单细胞跟踪结果。

6。结论

在本文中,我们提出了一个健壮的单细胞/对象跟踪方法通过学习和转移CDBN特性。拟议中的CDBNTracker不依赖于工程特性和自动学习最歧视特征数据驱动的方式。一个简单而有效的方法已被用于传输的通用和中层特征从CDBNs单细胞/对象跟踪任务。缓解真实利用漂移问题,长期和短期的阳性样本。广泛Mitocheck细胞实验数据集和CVPR2013跟踪基准CDBNTracker提出的鲁棒性和有效性进行验证。

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,61572206,61502182,61175121),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. 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
2. 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冬季会议上的应用计算机视觉(WACV 11)美国夏威夷、背风面,2011年。视图:谷歌学术搜索
3. 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
4. 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
5. 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
6. j . w . y . Wu Lim, m·h·杨“在线对象跟踪:基准,”IEEE国际会议的程序在计算机视觉和模式识别(CVPR 13),2013年。视图:谷歌学术搜索
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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(ICCV 11)2011年11月,页263 - 270。视图:出版商的网站|谷歌学术搜索
13. r .姚明,问:f .施c . h .沈y . n . Zhang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
14. 诉Takala和m . Pietikainen”多目标跟踪使用颜色、纹理和运动”《IEEE计算机视觉与模式识别会议(CVPR ' 07)2007年6月,明尼阿波利斯,明尼苏达州,美国。视图:出版商的网站|谷歌学术搜索
15. m高戴克、p . m .罗斯和h .女孩“Hough-based跟踪非刚性的对象,”《IEEE计算机视觉国际会议(ICCV 11)西班牙巴塞罗那,页81 - 88,,2011年11月。视图:出版商的网站|谷歌学术搜索
16. 吴y, t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)2014年6月,页3462 - 3469。视图:出版商的网站|谷歌学术搜索
17. 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
18. 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
19. 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
20. h . Grabner c·莱斯特那女孩和h,“Semi-supervised在线提高鲁棒跟踪,”欧洲计算机视觉大会程序' 08),马赛,法国,2008年。视图:谷歌学术搜索
21. j . Santner c·莱斯特那a . Saffari t .麻子和h .女孩,“恭喜:平行健壮的网上简单的追踪,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 10)2010年6月,页723 - 730。视图:出版商的网站|谷歌学术搜索
22. 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
23. l .张和l . Van Der Maaten“模范自由跟踪、维护结构”IEEE模式分析与机器智能,36卷,不。4、756 - 769年,2014页。视图:出版商的网站|谷歌学术搜索
24. 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
25. x梅和h .凌,“强劲的视觉跟踪使用L1最小化,”《IEEE 12计算机视觉国际会议(ICCV ' 09)皮斯卡塔韦,新泽西,美国2009。视图:谷歌学术搜索
26. k·h·张,张l, m·h·杨,“实时压缩跟踪”电脑Vision-ECCV 2012: 12日欧洲计算机视觉,佛罗伦萨,意大利,7 - 10月,2012年,诉讼,第三部分卷,7574在计算机科学的课堂讲稿施普林格,页864 - 877年,柏林,德国,2012年。视图:出版商的网站|谷歌学术搜索
27. d . Padfield j . Rittscher, b . Roysam”耦合最小费用流为高通量定量分析细胞追踪,”医学图像分析,15卷,不。4、650 - 668年,2011页。视图:出版商的网站|谷歌学术搜索
28. 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
29. 美国伯和c·加西亚PixelTrack:快速自适应算法跟踪非刚性的对象,”学报14 IEEE计算机视觉国际会议(ICCV 13),页2480 - 2487年,悉尼,澳大利亚,2013年12月。视图:出版商的网站|谷歌学术搜索
30. 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
31. g .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
32. 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
33. 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
34. 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),第996 - 988页,北京,中国,2014年6月。视图:谷歌学术搜索
35. 问:邹,X.-B。李,W.-R。江,Z.-Y。林,G.-L。李,k . Chen在生物信息学MapReduce框架行动的调查中,“简报的生物信息学,15卷,不。4、637 - 647年,2014页。视图:出版商的网站|谷歌学术搜索
36. 公元杰普森,d . j .舰队,t·f·El-Maraghi“健壮的视觉跟踪在线外观模型,”IEEE模式分析与机器智能,25卷,不。10日,1296 - 1311年,2003页。视图:出版商的网站|谷歌学术搜索
37. Kwon和k·m·李,“视觉跟踪分解,”《IEEE计算机学会学报计算机视觉与模式识别会议(CVPR 10)2010年6月,页1269 - 1276。视图:出版商的网站|谷歌学术搜索
38. s . Avidan“合奏跟踪”,IEEE模式分析与机器智能卷,29号2、261 - 271年,2007页。视图:出版商的网站|谷歌学术搜索
39. 马修斯,t .石川,美国贝克“模板更新问题,”IEEE模式分析与机器智能,26卷,不。6,810 - 815年,2004页。视图:出版商的网站|谷歌学术搜索
40. j . f .问:Wang Chen Yang w .徐,M.-H。杨”,转移视觉在线跟踪对象之前,”IEEE图像处理,21卷,不。7,3296 - 3305年,2012页。视图:出版商的网站|谷歌学术搜索|MathSciNet
41. j .高h .凌、w·胡和j .兴”转移学习基础视觉跟踪与高斯过程回归,”电脑Vision-ECCV 2014d .舰队,t . Pajdla b . Schiele和t . Tuytelaars, Eds。卷,8691在计算机科学的课堂讲稿,第203 - 188页,2014年。视图:出版商的网站|谷歌学术搜索
42. 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
43. h·李,r . Grosse r . Ranganath, a . y . Ng”卷积深层信念网络分层表示的可伸缩的无监督学习”学报》第26届国际会议上机器学习(ICML ' 09)加拿大蒙特利尔,页609 - 616,,2009。视图:谷歌学术搜索
44. g·e·辛顿美国Osindero, Y.-W。格兰”,快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索|Zentralblatt数学|MathSciNet
45. n . y . Wang和d . y . Yeung“学习深紧凑的视觉跟踪,图像表示”先进的神经信息处理系统,2013年。视图:谷歌学术搜索
46. j·l .粉丝,w . Xu y . Wu黄懿慧锣,“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
47. 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,”机器学习的国际会议,2015年。视图:谷歌学术搜索
48. 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圣地亚哥,智利,2015。视图:谷歌学术搜索
49. 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
50. x n . y . Chen Yang b . n .钟锅、d . s . Chen和h >,“CNNTracker:网上有识别力的对象通过深卷积神经网络跟踪,”应用软计算,38卷,第1098 - 1088页,2016年。视图:出版商的网站|谷歌学术搜索
51. 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
52. k . Simonyan和a . Zisserman”很深的卷积网络大规模图像识别,”https://arxiv.org/abs/1409.1556视图:谷歌学术搜索
53. a . Krizhevsky“学习多层小图像的特性,“技术。代表,2009年。视图:谷歌学术搜索
54. http://www.mitocheck.org/cgi-bin/mtc?action=show_movie;查询= 243867
55. n . Wang和D.-Y。杨,”Ensemble-based跟踪:聚集众包结构的时间序列数据,”31日学报》国际会议上机器学习(ICML 14),第2817 - 2807页,北京,中国,2014年6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。