AnomalousNet：结合注意力U-Net与变点检测的视频数据异常扩散精确表征混合方法
计算机视觉与模式识别
2025-04-08 v1 机器学习
摘要
异常扩散发生在广泛的系统中，包括细胞内的蛋白质运输、复杂栖息地中的动物运动、地下水中的污染物扩散以及合成材料中的纳米粒子运动。从粒子轨迹中准确估计异常扩散指数和扩散系数，对于区分亚扩散、超扩散或正常扩散机制至关重要。这些估计提供了对系统潜在动力学的更深入理解，有助于识别粒子行为和检测扩散状态的变化。然而，分析短且嘈杂的视频数据（通常产生不完整和异质的轨迹）对传统统计方法构成了重大挑战。我们引入了一种数据驱动的方法，该方法集成了粒子追踪、注意力U-Net架构和变点检测算法来解决这些问题。这种方法不仅能高精度地推断异常扩散参数，还能识别不同状态之间的时间转换，即使在存在噪声和时间分辨率有限的情况下也是如此。我们的方法在第二届异常扩散(AnDi)挑战赛基准测试的视频任务中表现出色，跻身最佳提交之列。
引用
@article{arxiv.2504.05271,
title = {AnomalousNet: A Hybrid Approach with Attention U-Nets and Change Point Detection for Accurate Characterization of Anomalous Diffusion in Video Data},
author = {Yusef Ahsini and Marc Escoto and J. Alberto Conejero},
journal= {arXiv preprint arXiv:2504.05271},
year = {2025}
}
备注
20 pages, 9 figures