Dice loss
PulseAugur coverage of Dice loss — every cluster mentioning Dice loss across labs, papers, and developer communities, ranked by signal.
-
提出Dice Loss用于数据不平衡NLP任务
一篇研究论文提出，在遭受严重数据不平衡的自然语言处理任务中，可以使用Dice loss替代标准的交叉熵。该方法基于Sorensen-Dice系数或Tversky指数，旨在平衡假阳性和假阴性的重要性，使其对不平衡数据集更具鲁棒性。该论文还介绍了一种动态加权训练样本的方法，以减少易负例的影响，并在词性标注和命名实体识别等各种NLP任务上显示出改进的性能。
-
新技术改进了医学影像AI模型的校准
研究人员开发了一种名为“梯度向量场手术”的新方法，以解决分割模型中的校准问题，特别是那些用于医学影像的模型。这些模型通常使用基于区域的损失函数（如Dice损失）进行训练，倾向于产生过于自信的预测，这是临床应用的一个障碍。所提出的技术通过将梯度的幅度与预测误差进行缩放来修改梯度向量场，从而在不牺牲准确性的情况下提高模型校准。该方法在2D和3D医学分割任务中都显示出有效性。
-
新的多项式Dice损失增强了医学图像分割
研究人员开发了一种名为多项式Dice损失的新方法，它是现有Dice损失的扩展，用于改进医学图像分割。该技术使用Dice损失的多项式表示来更好地控制其形状并调整不同组件的贡献。实验表明，在各种分割任务中，多项式Dice损失与传统的Dice和Tversky系数相比具有竞争力。
-
新的AG-TAL损失提高了医学影像中 विल利斯环分割的准确性
研究人员开发了一种名为AG-TAL的新损失函数，用于 विल利斯环的多类别分割，该区域对神经血管疾病的管理至关重要。该方法解决了现有深度学习方法中普遍存在的血管不连续和类间误分类等挑战。AG-TAL集成了多种组件，包括半径感知Dice损失、断裂感知clDice损失和邻接感知共现损失，以提高不同数据集的准确性和泛化能力。所提出的技术表现出优越的性能，实现了更高的Dice分数，特别是对于较小的动脉，并显示出在阿尔茨海默病等疾病中识别基于影…