Tag · 2 篇
可微损失函数
01 02
可微拉普拉斯矩阵引导的超像素分割
Differentiable Laplacian Matrix Guided Superpixel Segmentation
提供一种模型无关、完全可微的图拉普拉斯损失，可直接嵌入现有超像素网络训练中替代不可微的连通性后处理，做密集预测或区域划分的研究者可复用该正则项与新增的杂散像素/多余连通分量评测指标。
D-Convexity：面向数据驱动图像分割的、基于拟凹性的统一可微凸形状先验
D-Convexity: A Unified Differentiable Convex Shape Prior via Quasi-Concavity for Data-driven Image Segmentation
把凸性先验转成无需阈值的可微卷积损失（基于拟凹性与超水平集凸性），可直接嵌入任意分割网络输出端，用于视网膜血管等管状/凸结构分割的形状正则化，替代离散线约束或图割凸性建模。