单热编码之外？大型多类分割编码的�凑化之旅
计算机视觉与模式识别
2026-01-07 v1 图像与视频处理
摘要
本 work 提出了新方法，以减少医学图像分割中大量类别的计算和内存要求。我们好奇地观察到，在所有探索的选项中，维持最先进的分割性能都面临挑战。标准基于学习的方法通常采用类别标签的 one-hot 编码。因此，计算复杂度和内存要求随类别数量线性增长。我们提出了一系列二进制编码方法代替 one-hot 编码，将类别数量的计算复杂度和内存要求降低到对数级。除了 vanilla 二进制编码外，我们还探讨了误差纠正输出代码 (ECOCs)、类别加权、硬/软解码、类别到编码字的分配以及标签嵌入树的效果。我们将这些方法应用于基于 3D MRI 图像的 108 类别的全脑分割。虽然二进制编码在计算机视觉中的极端分类问题中已被证明高效，但我们在实现最先进的分割质量方面面临挑战。相对于 one-hot 编码（Dice 相似系数 (DSC) = 82.4 (2.8)），我们报告了二进制分割方法的分割性能下降，DSC 范围为 39.3 到 73.8。信息丰富的负面结果往往不被公开发表。我们希望此 work 能激发对大型多类分割任务中�凑编码策略的未来研究。
引用
@article{arxiv.2510.00667,
title = {Beyond one-hot encoding? Journey into compact encoding for large multi-class segmentation},
author = {Aaron Kujawa and Thomas Booth and Tom Vercauteren},
journal= {arXiv preprint arXiv:2510.00667},
year = {2026}
}
备注
Presented at EMA4MICCAI 2025 Workshop