该研究论文介绍了 metric-learn 这个开源 Python 包，它实现了有监督和弱监督距离度量学习算法，并提供了与 scikit-learn 兼容的统一接口，方便进行交叉验证、模型选择和管道处理。metric-learn 经过了充分的测试，并且在 MIT 许可证下在 PyPi 上提供。

Aug, 2019

这篇论文提出了 SSSegmentation，这是一个基于 PyTorch 的开源有监督语义图像分割工具箱，它基于 MMSegmentation 的设计，但由于更少的依赖因此更容易使用，在相似的训练和测试设置下实现了更优异的分割性能；此外，该工具箱还为流行和现代语义分割方法提供了大量的预训练权重，包括 Deeplab、PSPNet、OCRNet、MaskFormer 等等。

May, 2023

设计用于评估实例分割的度量标准围绕着全面考虑目标检测和分割准确性展开，然而，当前研究忽视了其他重要特性，如敏感性、连续性和一致性。本文揭示了大多数现有度量标准在测量分割质量方面具有有限的分辨率，它们只在掩模或错误预测的变化情况下有条件地敏感。对于某些度量标准来说，在一个狭窄的范围内，得分可能会急剧变化，这可能会误导结果质量差距的指示。因此，我们提出了一种名为 sortedAP 的新度量标准，它严格降低了目标和像素级别的缺陷，并且在整个域上具有连续的惩罚刻度。我们在此 https 的 URL 上提供了评估工具包和实验代码。

Sep, 2023

本研究探讨了在医学图像分割中应用机器学习加速分割的过程中，评价方法的选择以及如何处理体素间的依存关系问题。研究以多模态评价方法为基础，量化并优化不同分割方法的表现效果。

Feb, 2023

介绍了 geomstats 这个 python 包，它支持处理多维流形，并提供多种 Riemannian metrics 以及 keras 深度学习框架等的实现，从而在机器学习中提供了一系列直观的损失函数选择。Paper 还对机器学习中的流形进行了回顾，并对 geomstats 进行了概述，并通过展示使用 geomstats 实现基于 Riemannian geometry 的机器学习示例来演示其高效性和易用性。

May, 2018

该论文介绍了 Geomstats，一种开放源代码的 Python 工具箱，用于在非线性流形上进行计算和统计学，其提供了可靠的可重用构件，适用于机器学习应用中的微分几何和统计学领域。

Apr, 2020

本文介绍了一个用于评估医学图像分割中失败检测方法的综合基准框架，通过分析我们确定了当前失败检测度量的优点和局限性，并推崇风险覆盖分析作为一种整体评估方法，通过在包含五个公开的三维医学图像集合的综合数据集上评估各种失败检测策略的有效性，我们发现像素置信度聚合的重要性，并且观察到在医学图像分割中，集合预测之间的成对 Dice 分数（Roy 等人，2019）表现优秀，将其定位为简单而稳健的失败检测基准。为了促进持续的研究，我们将基准框架提供给社区使用。

Jun, 2024

对医学图像翻译的评估指标进行研究，发现感知度指标通常与分割指标不相关，但是像素级 SWD 指标在细微的内模态翻译中可能有用，结果表明需要进一步研究有助于医学图像翻译的评估指标。

Apr, 2024

SacreROUGE 是一个开源库，提供 Python 封装的现有摘要评估指标实现的共同易用接口以及对人工注释判定的相关性评估功能，还包括可加载数据集的脚本，以用于简化评价。

Jul, 2020

该研究通过对不同模型进行实验，探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况，以分析语义分割中的失败案例和预测准确性的问题。

Jun, 2024