利用深度学习增强数字视频显微镜
2019-05-08
浏览量(228)
从生物分子力的测量到胶体晶体的研究,单粒子跟踪在科学技术的许多分支中都是必不可少的。标准方法依赖于算法,通过对几个用户定义的参数进行微调实现,这些方法可以在低噪声且光照恒定均匀的条件下,非常成功地跟踪一种界限清楚的粒子。近日,来自瑞典的研究人员介绍了另一种基于卷积神经网络的数据驱动方法,研究人员将其命名为DeepTrack,并且证明了深度跟踪优于传统算法方法,特别是在有噪声和光照条件较差的情况下。研究人员使用深度跟踪在非常嘈杂和不稳定的照明条件下跟踪一个光学捕获粒子,利用传统算法方法追踪失败。然后同样在非常低的信噪比情况下,研究人员演示了DeepTrack如何用于跟踪多个粒子和非球形物体(比如细菌)。为了方便其他用户使用DeepTrack,研究人员们提供了一个Python软件包,可以方便地针对特定的应用程序进行个性化优化。
图(a)DeepTrack神经网络架构
微信分享
x
用微信扫描二维码
分享至好友和朋友圈
分享至好友和朋友圈
免责声明:
网站内容来源于互联网、原创,由网络编辑负责审查,目的在于传递信息,提供专业服务,不代表本网站及新媒体平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的,请在 20个工作日内与我们取得联系,联系方式:021-80198330。网站及新媒体平台将加强监控与审核,一旦发现违反规定的内容,按国家法规处理,处理时间不超过24小时。