Overlap-aware segmentation for topological reconstruction of obscured objects
Dieser Beitrag stellt OASIS vor, ein neuartiges Segmentierungs-Regressions-Framework, das eine gewichtete Verlustfunktion einsetzt, um überlappende Regionen während des Trainings zu priorisieren und dadurch die Intensitäts- und topologische Rekonstruktion schwacher, verdeckter Elektronenspuren im anspruchsvollen Kontext des MIGDAL-Experiments erheblich zu verbessern.