热点事件持续更新

SSRB提出单标注约束下的多假设图像分割方法

1 篇报道1 个报道来源8 小时前更新

先了解这件事

AI 综述

Armin Dadras 等研究人员提出 Semantic-Spatial Residual Bank（SSRB），在每张训练图像只有一个固定掩码标注的条件下，生成能够覆盖多个测试阶段人类标注的有限掩码集合。该方法冻结经过平衡分配训练的语义假设库，并针对每个假设学习由图像生成的空间残差。实验显示，在五个医学分割终点上，SSRB 在 K=8 时对未见标注掩码的覆盖率高于同样受单标注约束的 Probabilistic U-Net；在 LIDC 和 LIDC-hard 数据集上，它还能生成更多有用且不同的掩码。在 BSDS 数据集上，该方法保持了语义假设库原有的区域分组性能。

AI 根据报道生成 · 2 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

11月2日

13:00
arXiv · Machine Learning
单标注、多假设分割：Semantic-Spatial Residual Bank（SSRB）
研究提出 Semantic-Spatial Residual Bank（SSRB），在每张训练图像仅有一个固定掩码的约束下，生成覆盖测试阶段多个人类标注的有限掩码集合。五个医学终点实验显示，K=8 时 SSRB 相比同样单标注约束下的 Probabilistic U-Net 有更高的掩码覆盖率；在 LIDC 和 LIDC-hard 上生成更多有用的不同掩码，并在 BSDS 上保持区域分组性能。

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。