面向二维蜂巢中密集目标跟踪的研究

从人群到组织中的细胞,在密集构型下对多个目标进行检测与高效跟踪是一个重要且未解决的问题。过去,图像分析的局限性将密集群体的研究限制在跟踪单个或少数标记个体,或粗粒度的群体层面动态,所有这些均产生不完整的信息。在此,我们结合卷积神经网络(CNNs)与蜜蜂蜂巢的模型环境,从原始图像数据中自动识别密集群体中的所有个体。我们创建了新的、适配的个体标注,并使用分割架构 U-Net 以及依赖于目标身份与朝向的损失函数。我们还以循环方式利用视频记录的时间规律性,在将网络规模较原始 U-Net 架构缩减 94% 的同时,达到接近人类水平的性能。鉴于我们对 CNNs 的新颖应用,我们生成了广泛的问题特定图像数据,其中标注样本通过 Amazon Mechanical Turk 的自定义接口产生。该数据集在 2 FPS 的 720 视频帧中包含超过 375,000 个标注蜜蜂实例,代表了用于开发和测试跟踪方法的广泛资源。我们正确检测到 96% 的个体,定位误差约为典型身体尺寸的 7%,朝向误差为 12 度,接近人类标注者的变异范围。我们的结果通过在一个网络架构内高效准确地确定时间序列图像数据中目标的位置与朝向,为基于图像的高效密集目标跟踪提供了重要一步。