具有改进局部性信息的持久同调用于更有效的描绘
计算机视觉与模式识别
2022-12-27 v3
摘要
持久同调(PH)已成功用于训练网络检测曲线结构并改善其结果的拓扑质量。然而，现有方法非常全局化，忽略了拓扑特征的位置。在本文中，我们通过引入一种新的过滤函数来弥补这一点，该函数融合了两种早期方法：基于阈值的过滤（先前用于训练深度网络分割医学图像）和高度函数过滤（通常用于比较2D和3D形状）。我们通过实验证明，使用基于PH的损失函数训练的深度网络重建的道路网络和神经过程比使用基于PH的现有损失函数训练的网络更好地反映真实连通性。代码可在https://github.com/doruk-oner/PH-TopoLoss获取。
引用
@article{arxiv.2110.06295,
title = {Persistent Homology with Improved Locality Information for more Effective Delineation},
author = {Doruk Oner and Adélie Garin and Mateusz Koziński and Kathryn Hess and Pascal Fua},
journal= {arXiv preprint arXiv:2110.06295},
year = {2022}
}