Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen: Eine Studie zur Verbesserung der Sanität von Deep-Learning-basierten Bildregistrierungen

Die meisten bestehenden Deep-Learning-basierten Bildregistrierungsmodelle leiden unter geringer inverser Konsistenz und mangelnder Diskriminierung identischer Paare aufgrund einer übermäßigen Optimierung der Bildähnlichkeiten. Um diese Verhaltensweisen zu korrigieren, schlagen wir eine neuartige regularisierungsbasierte Sanität-Enforcer-Methode vor, die zwei Sanität-Checks auf das Deep-Modell anwendet, um seine inversen Konsistenzfehler zu reduzieren und seine diskriminative Kraft gleichzeitig zu erhöhen.