PulseAugur
中
实时 07:53:05
English(EN) Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation

TopoTTA框架整合拓扑数据分析以进行异常分割

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了TopoTTA，一个将拓扑数据分析整合到测试时自适应以进行异常分割的新框架。该方法使用持久同调来强制执行几何和结构一致性，导出拓扑伪标签，在不重新训练骨干模型的情况下指导分类器。TopoTTA通过保持连通性并跨2D和3D模态进行泛化，提高了分割质量，在标准基准测试中平均F1得分提高了15%，尤其是在具有复杂几何变化的异常方面。 AI

影响 通过保持结构一致性并提高跨模态的泛化能力来增强异常分割。

排序理由 该集群包含一篇详细介绍异常分割新方法的论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

TopoTTA框架整合拓扑数据分析以进行异常分割

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Ali Zia, Usman Ali, Abdul Rehman, Umer Ramzan, Kang Han, Muhammad Faheem, Shahnawaz Qureshi, Wei Xiang ·

    Learning Topology-Aware Representations via Test-Time Adaptation for Anomaly Segmentation

    arXiv:2606.28268v1 Announce Type: cross Abstract: Test-time adaptation (TTA) has emerged as a promising paradigm for mitigating distribution shifts in deep models. However, existing TTA approaches for anomaly segmentation remain limited by their reliance on pixel-level heuristics…

  2. arXiv cs.AI TIER_1 English(EN) · Wei Xiang ·

    通过测试时自适应学习拓扑感知表示用于异常分割

    Test-time adaptation (TTA) has emerged as a promising paradigm for mitigating distribution shifts in deep models. However, existing TTA approaches for anomaly segmentation remain limited by their reliance on pixel-level heuristics, such as confidence thresholding or entropy minim…

相关实体

相关话题