通过远程感知图像的分割获取道路的精确方面对于自主车辆、城市发展规划以及实现可持续发展目标等很多实际应用非常有用。本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。在基准数据集上进行的大量实验表明，该方法在 IoU、F1 分数和 APLS 方面相较于现有的最先进方法有最少 6.6%、6.7% 和 9.8% 的较大增益，尤其在 SpaceNet 到 DeepGlobe 的迁移场景上效果更为显著。

Sep, 2023

提出了一种新的骨架召回损失，通过绕过昂贵的 GPU 计算，采用廉价的 CPU 操作，解决了薄结构分割中的计算和内存负担问题，并在保持拓扑性方面表现出卓越性能。

Apr, 2024

在计算病理学中，为了后续分析，对于诸如腺体和细胞核这样密集分布的对象进行分割至关重要。为了减轻像素级注释的负担，半监督学习方法从大量无标签数据中学习。然而，现有的半监督方法忽视了无标签图像中隐藏的拓扑信息，因此容易出现拓扑错误，如腺体或细胞核的丢失或错误合并 / 分离。为了解决这个问题，我们提出了 TopoSemiSeg 方法，这是一种从无标签数据中学习拓扑表示的第一种半监督方法。特别是，我们提出了一种拓扑感知的师生方法，其中师生网络学习共享的拓扑表示。为了实现这一点，我们引入了拓扑一致性损失，其中包含信号一致性和噪声去除损失，以确保学到的表示是稳健的并且专注于真正的拓扑信号。在公共病理图像数据集上进行了大量实验证明了我们方法的优越性，尤其在拓扑评估指标上。代码可在 https URL 上获得。

Nov, 2023

本文介绍了一种新的拓扑感知损失函数，通过计算地面实况和预测之间的持续性图的 Wasserstein 距离来惩罚两者之间的拓扑不相似性，实验证明该拓扑感知损失函数在计算机断层扫描图像的分割任务中得到了比其他方法更好的结果。

Jul, 2023

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

我们提出了一种新的学习方法，通过设计一个连续的价值损失函数来促进分割具有与真值相同的拓扑结构，即具有相同的 Betti 数，将其并入深度神经网络的端到端训练中，以在广泛的自然和生物医学数据集上实现更好的性能。

Jun, 2019

提出了一种通用的损失函数，用于在多类别分割中实现拓扑准确性，并通过在持久性条码上引入匹配概念进行优化，将多类别分割问题转化为单类别分割任务，从而实现了神经网络的快速训练，并在四个医学数据集上验证了该方法的有效性。

Mar, 2024

本文介绍了一个新的深度学习方法，使用新的损失函数和迭代优化策略来提高计算机视觉中曲线结构识别的精度，并在多种图像数据集上展示了优越性。

Dec, 2017

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

本文针对基于 RGB 图像学习三维物体表面重建的挑战性任务，通过提出拓扑保持的骨骼形状表示方法，即 SkeletonNet 设计，结合 Skeleton-Based Graph Convolutional Neural Network （SkeGCNN）和 Skeleton-Regularized Deep Implicit Surface Network（SkeDISN）模型，有效提高表面重建的性能，并在广义任务设置下取得良好效果。

Aug, 2020