arXiv cs.AI@Luke James Miller, Yugyung Lee
45
推荐理由：做医学图像分割或处理极端类别不平衡问题的研究者，SEMIR 用图小类替代密集网格推理，既保持拓扑又降低计算量，值得关注其边界对齐的少样本学习思路。
全部 AI 动态
AI 相关资讯全量信息流
5月14日
01:10
针对大规模图像中微小稀疏结构分割的难题，SEMIR 提出了一种新的表示学习框架，将推理从原始像素网格解耦到拓扑保持的潜在图表示上。该方法通过参数化边收缩、节点和边删除，将网格图转化为紧凑、边界对齐的图小类，并保留从图预测到像素标签的精确映射。小类构建被形式化为少样本结构学习问题，通过边界 Dice 准则优化参数，使预测边界与目标语义边缘对齐。在 BraTS 2021、KiTS23 和 LiTS 三个肿瘤分割数据集上，SEMIR 在保持实用运行时间的同时，持续提升了小类结构的 Dice 系数。这项工作为高分辨率结构化视觉数据提供了一种学习任务自适应、拓扑保持潜在表示并支持精确解码的通用框架。