Multiple Object Segmentation and Tracking by Bayes Risk Minimization
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F16%3A00303601" target="_blank" >RIV/68407700:21230/16:00303601 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-46723-8_70" target="_blank" >http://dx.doi.org/10.1007/978-3-319-46723-8_70</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-46723-8_70" target="_blank" >10.1007/978-3-319-46723-8_70</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Multiple Object Segmentation and Tracking by Bayes Risk Minimization
Popis výsledku v původním jazyce
Motion analysis of cells and subcellular particles like vesicles, microtubules or membrane receptors is essential for understanding various processes, which take place in living tissue. Manual detection and tracking is usually infeasible due to large number of particles. In addition the images are often distorted by noise caused by limited resolution of optical microscopes, which makes the analysis even more challenging. In this paper we formulate the task of detection and tracking of small objects as a Bayes risk minimization. We introduce a novel spatio-temporal probabilistic graphical model which models the dynamics of individual particles as well as their relations and propose a loss function suitable for this task. Performance of our method is evaluated on artificial but highly realistic data from the 2012 ISBI Particle Tracking Challenge [8]. We show that our approach is fully comparable or even outperforms state-of-the-art methods.
Název v anglickém jazyce
Multiple Object Segmentation and Tracking by Bayes Risk Minimization
Popis výsledku anglicky
Motion analysis of cells and subcellular particles like vesicles, microtubules or membrane receptors is essential for understanding various processes, which take place in living tissue. Manual detection and tracking is usually infeasible due to large number of particles. In addition the images are often distorted by noise caused by limited resolution of optical microscopes, which makes the analysis even more challenging. In this paper we formulate the task of detection and tracking of small objects as a Bayes risk minimization. We introduce a novel spatio-temporal probabilistic graphical model which models the dynamics of individual particles as well as their relations and propose a loss function suitable for this task. Performance of our method is evaluated on artificial but highly realistic data from the 2012 ISBI Particle Tracking Challenge [8]. We show that our approach is fully comparable or even outperforms state-of-the-art methods.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JD - Využití počítačů, robotika a její aplikace
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA16-05872S" target="_blank" >GA16-05872S: Pravděpodobnostní grafové modely a hluboké učení</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Medical Image Computing and Computer-Assisted Intervention – MICCAI 2016, Part II
ISBN
978-3-319-46722-1
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
9
Strana od-do
607-615
Název nakladatele
Springer International Publishing
Místo vydání
Cham
Místo konání akce
Athens
Datum konání akce
17. 10. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—