Aug, 2019

语义分割的距离图损失惩罚项

PDF
TL;DR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。
convolutional neural networkssemantic segmentationdistance mappenalty termmedical imaging
发现论文，激发创造
  • 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

  • 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

  • 高度不平衡分割的边界损失

    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。

    Dec, 2018

  • 基于距离变换回归的空间感知深层语义分割

    通过在标签掩码上计算距离变换，训练一个全卷积神经网络来同时学习分类和距离回归，可以有效地应用于视觉场景中的语义分割并有效解决边界模糊和分割失真的问题。

    Sep, 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

  • 具有判别性损失函数的语义实例分割

    本文提出利用判别式损失函数的像素级卷积神经网络来实现简单的图像实例分割，不需要借助物体提议或循环机制，仅仅通过一个后处理步骤即可完成聚类，简单有效且具有竞争性。

    Aug, 2017

  • 医学图像的形状感知半监督三维语义分割

    本研究提出新型的半监督学习策略来提高医学图像分割的形状估计性能，该方法采用多任务深度网络来同时预测语义分割和物体表面有符号距离图，并通过敌对损失来有效地捕捉形态感知特征.

    Jul, 2020

  • 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

  • 面向拓扑感知的三维图像分割焦点损失

    本文研究如何解决分割算法中的拓扑错误问题，介绍了一种新的损失函数 topology-aware Focal Loss（TAFL），该函数结合传统的 Focal Loss 和基于 Wasserstein 距离的拓扑约束项，利用坐标空间上两张图之间最优运输计划来度量真实标签和预测分割结果之间的拓扑差异，经验证实验，该方法在 MICCAI Brain Tumor Segmentation 数据集上行之有效。

    Apr, 2023

  • 使用语义分层网络学习语义感知距离图进行全模态实例分割

    本研究提出一种语义感知距离映射（sem-dist map）与卷积神经网络（CNN）架构相结合的方法，实现对无模态分割问题的解决，经实验表明，该方法具有最先进的性能。

    May, 2019