单样本自监督粒子追踪
图像与视频处理
2022-03-01 v1 软凝聚态物质
人工智能
应用物理
定量方法
摘要
粒子追踪是数字显微镜中的一项基础任务。近来，机器学习方法在克服经典方法的局限性方面取得了重大进展。最先进的机器学习方法的训练几乎普遍依赖于大量标注实验数据或数值模拟真实数据集的能力。然而，实验产生的数据往往难以标注且无法轻易通过数值复现。在此，我们提出一种名为LodeSTAR（Low-shot deep Symmetric Tracking And Regression，少样本深度对称追踪与回归）的新型深度学习方法，可从单张无标注实验图像中以亚像素精度学习追踪对象。这通过利用数据固有的旋转平移对称性得以实现。我们证明LodeSTAR在精度上优于传统方法。此外，我们分析了包含密集细胞或噪声背景的挑战性实验数据。我们还利用额外对称性，通过将信号在傅里叶空间传播将可测粒子属性扩展到粒子的垂直位置，并通过缩放信号强度扩展到其极化率。得益于使用单张无标注图像训练深度学习模型的能力，LodeSTAR可加速工程、生物学和医学中高质量显微分析流水线的发展。
引用
@article{arxiv.2202.13546,
title = {Single-shot self-supervised particle tracking},
author = {Benjamin Midtvedt and Jesús Pineda and Fredrik Skärberg and Erik Olsén and Harshith Bachimanchi and Emelie Wesén and Elin K. Esbjörner and Erik Selander and Fredrik Höök and Daniel Midtvedt and Giovanni Volpe},
journal= {arXiv preprint arXiv:2202.13546},
year = {2022}
}
备注
19 pages, 4 figures