Dec, 2018

高度不平衡分割的边界损失

PDF
TL;DR基于轮廓空间的边界损失可弥补高度不平衡问题，结合标准区域损失，实现 N 维分割的深度网络架构，显著提高训练稳定性。
cnn segmentationboundary lossunbalanced problemsregiontraining stability
发现论文，激发创造
  • 医学图像分割的边界差异联合损失

    医学图像分割关键在于边界区域的准确性，本文提出了一种简单有效的损失函数用于边界区域分割，并通过实验验证了其有效性。

    Aug, 2023

  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

    May, 2019

  • 语义分割的主动边界损失

    本文提出了一种新的主动边界损失函数，通过不断引导预测边界和真实边界的对齐来改善语义分割效果，并且适用于图像和视频对象分割等复杂场景。

    Feb, 2021

  • 广义 Dice 重叠作为高度不平衡分割的深度学习损失函数

    本论文针对 2D 和 3D 分割任务中出现的标签不平衡问题，探究了几种损失函数（如加权交叉熵函数、敏感度函数、Dice 损失函数）的表现及其对学习率的敏感性，并提出使用广义 Dice 重叠作为一个强韧而准确的损失函数，来实现在不平衡任务中的类别重新平衡。

    Jul, 2017

  • 利用点注释在使用边界损失的分割学习中

    通过使用强度感知距离图和边界损失，本研究在点标注的语义分割中探讨了强度感知距离图与边界损失的组合。结果表明，这种监督策略具有巨大潜力，并在实验中取得了令人鼓舞的初步结果。

    Nov, 2023

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019

  • 学习预测清晰的边界

    本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络，该网络有效地利用层次特征并生成像素精确的边界掩模，从而不需要后处理即可生成准确、锐利的边缘。实验结果表明，这种方法不仅可以促进 CNN 的视觉结果，而且在 BSDS500 数据集（ODS F - 得分为 0.815）和 NYU Depth 数据集（ODS F - 得分为 0.762）上可以实现超越最新技术水平的结果。

    Jul, 2018

  • 使用 3D 完全卷积深度神经网络进行图像分割的 Tversky 损失函数

    本文提出了一种基于 Tversky 指数的损失函数来解决数据不平衡问题，在多发性硬化磁共振图像分割中实现更好的精确度和召回率，实验结果表明 Tversky 损失函数作为广义框架可以有效地训练深度神经网络。

    Jun, 2017

  • 使用整体卷积网络的不平衡多类分割的广义 Wasserstein Dice 分数

    本文提出了基于 Wasserstein 距离的类别 Dice 成绩及多尺度的全面卷积神经网络，用于实现更语义化的多类别脑肿瘤分割。

    Jul, 2017

  • 关于内在不确定性背景下软 Dice 优化分割图的体积偏差的理论分析和实验证实

    通过理论分析和实验验证，本文比较了在 CNN 训练中使用交叉熵和 soft Dice 两种损失函数对于具有固有不确定性任务的性能影响，发现 soft Dice 优化可能会引入体积偏差，从而限制了该方法在临床上的应用。

    Nov, 2022