Hot-Distance：结合独热编码和有符号距离嵌入的分割

Jun, 2024

Hot-Distance: Combining One-Hot and Signed Distance Embeddings for Segmentation

Marwan Zouinkhi, Jeff L. Rhoades, Aubrey V. Weigel

TL;DR机器学习模型精度取决于所拟合的数据，因此在训练模型时最好使用尽可能多的数据。本文介绍 Hot-Distance，一种融合有符号边界距离预测强度与一热编码灵活性的新型分割目标，在离子束扫描电子显微术（FIB-SEM）中用于细胞亚结构分割，以增加可用的训练数据量。

Abstract

machine learning models are only as good as the data to which they are fit. As such, it is always preferable to use as much data as possib

发现论文，激发创造

该研究使用 Signed Distance Map 直接从医学扫描中学习目标器官的形态，实现了更好的器官分割性能和更好的平滑度。通过同时预测 SDM 和分割地图，该方法将传统分割训练信息的补充信息引入，验证表明其比现有技术提高了 5% 以上的 Dice 系数并产生了更平滑的分割结果。

Dec, 2019

本研究通过训练 softmax 函数不同温度值的分类器，得到不同紧致性水平的特征嵌入，提出了一种 “加热” 策略，逐步训练分类器以实现在多个度量学习测试中的最新性能。

Sep, 2018

本文提出了一种称为 “深度聚类” 的深度学习框架，通过使用光谱图嵌入进行声源分离，从而实现类无关的信号分离，大大降低了领域分割成本，并且不依靠类别给出类标签，具有将不同源集合的潜力。

Aug, 2015

本文针对图像检索任务，提出一种从图像到二进制码的压缩映射方法，使用三元组损失函数进行训练，并通过多标签分类问题和深度卷积神经网络实现高维二进制码的学习，从而实现高效的图像检索。

Mar, 2016

本文提出了一种上下文感知的双曲度量学习方法，可用于 few-shot learning 任务，并且在多个分类基准上的实验结果表明这种方法不仅具有鲁棒性，而且表现优于基线模型。

Dec, 2021

通过基于有意义的句子的图结构的嵌入方法，在大规模异构数据中高效提取信息，特别是文本数据的处理和分类问题中，展示出与其他算法相比显着更好的分类性能。

Apr, 2024

本文介绍了一种利用训练批次的算法，将向量的成对距离提升到成对距离矩阵，从而以学习结构化预测目标的方式来优化最先进的特征嵌入方法，同时在 CUB-200-2011、CARS196 和 Online Products 数据集上进行实验，证明在所有实验的嵌入尺寸上都能够显著提高。

Nov, 2015

提出了一种基于超球嵌入的新型表示学习框架 CIDER，该框架共同优化两个损失，以促进强的 ID-OOD 可分离性，并通过分析在超球空间中嵌入特性与 OOD 检测性能之间的关系，演示了离散度和紧凑性的重要性，结果表明 CIDER 表现优异，FPR95 比最新对手高出 19.36 %。

Mar, 2022

本文提出了基于距离加权采样的深度嵌入方法，用于图像检索、聚类和人脸验证任务，取得了所有数据集上的最优性能。

Jun, 2017

本文提出了一种新的基于扩散流形学和双曲几何学的分层数据嵌入和距离测量方法，理论上可以恢复分层结构，并且在图嵌入基准和分层数据集上证明了其有效性和优势。

May, 2023