AnomalousNet: A Hybrid Approach with Attention U-Nets and Change Point Detection for Accurate Characterization of Anomalous Diffusion in Video Data

要約

異常な拡散は、細胞内のタンパク質輸送、複雑な生息地の動物の動き、地下水の汚染物質分散、合成材料のナノ粒子の動きなど、広範囲のシステムで発生します。
粒子軌道からの異常な拡散指数と拡散係数を正確に推定することは、サブディフェス式、超微分、または正常な拡散体制を区別するために不可欠です。
これらの推定値は、システムの基礎となるダイナミクスに対するより深い洞察を提供し、粒子の挙動の識別と拡散状態の変化の検出を促進します。
ただし、不完全で不均一な軌跡を生成することが多い短くて騒々しいビデオデータを分析すると、従来の統計的アプローチに大きな課題があります。
これらの問題に対処するために、粒子追跡、注意U-Netアーキテクチャ、および変更点検出アルゴリズムを統合するデータ駆動型の方法を導入します。
このアプローチは、異常な拡散パラメーターを高精度で推進するだけでなく、ノイズや限られた時間分解能の存在下でも、異なる状態間の時間的遷移を識別します。
私たちの方法論は、ビデオタスクの上位提出内で、2番目の異常拡散（ANDI）チャレンジベンチマークで強力なパフォーマンスを示しました。

要約(オリジナル)

Anomalous diffusion occurs in a wide range of systems, including protein transport within cells, animal movement in complex habitats, pollutant dispersion in groundwater, and nanoparticle motion in synthetic materials. Accurately estimating the anomalous diffusion exponent and the diffusion coefficient from the particle trajectories is essential to distinguish between sub-diffusive, super-diffusive, or normal diffusion regimes. These estimates provide a deeper insight into the underlying dynamics of the system, facilitating the identification of particle behaviors and the detection of changes in diffusion states. However, analyzing short and noisy video data, which often yield incomplete and heterogeneous trajectories, poses a significant challenge for traditional statistical approaches. We introduce a data-driven method that integrates particle tracking, an attention U-Net architecture, and a change-point detection algorithm to address these issues. This approach not only infers the anomalous diffusion parameters with high accuracy but also identifies temporal transitions between different states, even in the presence of noise and limited temporal resolution. Our methodology demonstrated strong performance in the 2nd Anomalous Diffusion (AnDi) Challenge benchmark within the top submissions for video tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google