Hot-Distance: Combining One-Hot and Signed Distance Embeddings for Segmentation

机器学习模型的好坏取决于其拟合的数据。因此，在训练模型时尽可能使用更多的数据是更好的选择。可以用于拟合模型的数据取决于任务的表述方式。我们介绍了Hot-Distance，这是一种新颖的分割目标，它将有符号边界距离预测的强度与one-hot编码的灵活性相结合，以增加在聚焦离子束扫描电子显微镜（FIB-SEM）中用于亚细胞结构分割的可用训练数据量。

本论文旨在解决在FIB-SEM中分割亚细胞结构的问题，通过引入Hot-Distance新的分割目标，结合边界距离预测和独热编码的优势，增加可用于训练模型的数据量。

Hot-Distance是一种新的分割目标，它结合了边界距离预测和独热编码的优势，可以有效地提高模型的准确性和可靠性。

论文使用了FIB-SEM数据集进行实验，并将Hot-Distance与其他分割目标进行了比较。实验结果表明，Hot-Distance可以提高模型的分割准确性和鲁棒性。此外，论文还开源了代码，为后续的研究提供了便利。

近年来，许多研究都集中在亚细胞结构分割上，例如DeepEM3D和U-Net等。