基于树的语义损失：在稀疏标注的大规模多类高光谱分割中的应用
计算机视觉与模式识别
2025-10-07 v1
摘要
高光谱成像（HSI）在手术应用中展现出巨大潜力，能够提供超越肉眼感知的生物组织差异的详细信息。目前正进行精细的标注工作，以训练视觉系统区分大量细微变化的类别。然而，用于生物医学分割任务的常用学习方法对所有错误的惩罚是等同的，因此未能利用标签空间中的任何类间语义。在本工作中，我们引入了两种基于树的语义损失函数，它们利用了标签的层级组织。我们进一步将我们的损失函数整合到最近提出的一种使用稀疏、无背景标注进行训练的方法中。大量实验表明，我们提出的方法在一个包含 个类别、组织成临床定义的语义树结构的稀疏标注HSI数据集上达到了SOTA性能。此外，我们的方法能够有效检测分布外（OOD）像素，同时不妥协分布内（ID）像素的分割性能。
引用
@article{arxiv.2506.21150,
title = {Tree-based Semantic Losses: Application to Sparsely-supervised Large Multi-class Hyperspectral Segmentation},
author = {Junwen Wang and Oscar Maccormac and William Rochford and Aaron Kujawa and Jonathan Shapey and Tom Vercauteren},
journal= {arXiv preprint arXiv:2506.21150},
year = {2025}
}