通过将海冰分类训练形式化为部分标签学习任务，并利用明确的置信度分数，将多标签和类别不平衡问题得到解决的一种新型 GeoAI 方法，用于通过训练卷积神经网络（CNN）来提高 Sentinel-1 双极化 SAR 图像中海冰的分类性能。相较于传统训练方法使用独热编码标签和分类交叉熵损失，本方法提高了分类准确度（从 87% 提升至 92%）和加权平均 F-1 得分（从 90% 提升至 93%），在六个海冰类别中的四个类别的 F-1 得分也有所改善。

Jun, 2024

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

本文研究了医学图像分割中全卷积神经网络的预测不确定性估计，包括使用 Dice 损失和交叉熵损失进行的分割质量和不确定性估计比较，基于批归一化和 Dice 损失的网络置信度校准及模型集成方法，以及有关医学图像分割的结构分割质量预测和检测等方面的研究。通过广泛的实验验证了这些内容，提出了用于置信度校准的实用方案，并表明模型集成可提高其置信度校准度。

Nov, 2019

使用机器学习算法对海冰进行自动化定位和分割，通过使用带噪声的 Sentinel-1 SAR 影像，开发了高效、具有空间分辨率、维度保持能力，并且对噪声更加稳健的面向海冰映射的算法。

Oct, 2023

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

本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如 Dice 分数和 Jaccard 指数时，採用度量敏感损失函数效果更好的结论。

Oct, 2020

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

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

提出了一种称为 Instance Cross Entropy（ICE）的新的深度度量学习方法，通过 mini-batch 迭代学习并扩展到无限训练数据，同时利用样本权重调整来控制训练中样例的差异度，实验证明其具有简单性，直观性，易于解释性和超越传统方法的性能.

Nov, 2019

利用低分辨率区域标签，我们的弱监督学习方法在海冰分类中取得了优异的像素级分类性能，通过在训练中引入区域损失表示来衡量预测结果和冰图导出的海冰类型分布之间的差异。借助 AI4Arctic 海冰挑战数据集，我们的方法在映射分辨率和类别精度方面超过了完全监督的 U-Net 基准和 AutoIce 挑战的最佳解决方案，标志着自动化操作的海冰制图方面的重大进展。

May, 2024