通过设计统一的基准测试,评估了 28 个超像素算法,包括容错性、运行时间、可扩展性、可视化效果等。同时,通过对性能指标扩展,摆脱了以往基准测试中面临的主要问题,从而重新定义了超像素算法的最新进展。
Dec, 2016
本文提出了一种叫做 Super Hierarchy (SH) 的算法,它能够准确地生成不同尺度下的超像素,比现有的技术快 1-2 个数量级。本文在多个计算机视觉应用中进行了定量和定性评估,证明该算法是最优的,并可以直接与最新的高效边缘检测器结合以显著优于现有技术。
May, 2016
该论文介绍了一种基于稀疏子集选择概念的图像分割方法,该方法采用局部光谱直方图特征将视觉信息编码为高维向量,并将其馈入一种新颖的凸模型,该模型有效地利用特征将超像素分为适当数量的连贯区域。该模型自动确定连贯区域的最优数量和超像素分配以形成最终的分割结果,并且作者设计了一种基于交替方向乘子法的数值算法来解决该模型,该算法高度可并行化且计算效率非常高,论文还通过广泛的实验验证表明,与现有的最先进方法相比,该方法在结合超分割的情况下可以提供高质量和具有竞争力的结果。
Apr, 2018
通过采用基于深度学习的超像素分割方法,在生成严格遵循物体边界的超像素,并传达丰富的视觉意义的过程中存在许多挑战,尤其当面色交叉相关性可能干扰物体时。为了解决这些问题,从神经结构和视觉机制中获得灵感,提出了一种生物网络架构,包括增强筛选模块和新颖的边界感知标签,用于超像素分割。增强筛选模块通过模拟视觉皮层的交互投影机制来增强语义信息。此外,边界感知标签模拟视觉皮层细胞的空间频率特性,以促进生成具有较强边界贴合性的超像素。通过对 BSDS500 数据集和 NYUv2 数据集的评估,证明了该方法的有效性。
Sep, 2023
基于像素格的社区检测算法通过简单的合并过程计算出相关的超像素,与其他先进的超像素算法进行了比较。
Aug, 2023
本文提出一种基于超像素分割和张量补全的紧凑图像表示像素选择方法,该方法将图像分成几个区域以捕获重要的纹理或语义,并从每个区域选择代表性像素进行存储,实验结果表明,超像素法比均匀采样更适用于各种丢失情况。
May, 2023
本文探讨了超像素方法在肿瘤科学中的应用,并将其与其他方法进行了比较。评估结果表明,基于自编码器和适应领域的方法在定位乳腺癌 HER2 的边界方面效果更好,这为高效手动细化切片提供了支持。
Jan, 2022
通过在推理时间内优化随机初始化卷积神经网络(CNN),我们提出了一种无监督的超像素分割方法,通过 CNN 从单个图像生成超像素,无需任何标签,通过最小化提出的超像素分割目标函数来实现。我们的方法与许多现有方法相比有三个优点:(i)利用 CNN 的图像预先知识用于超像素分割,(ii)根据给定的图像自适应地改变超像素数量,(iii)通过将一个辅助成本增加到目标函数中来控制超像素的属性。我们在 BSDS500 和 SBD 数据集上定量和定性验证了我们方法的优势。
Feb, 2020
本文提出了一种使用简单的全卷积网络预测超像素的新方法,以及在此基础上进行稠密预测任务下采样 / 上采样方案的改进,实验结果表明该方法能够在 50fps 的速度下取得最先进的超像素分割性能,并且在公共数据集上能够获得更好的视差估计精度。
Mar, 2020
本文提出了一个像素级聚类框架,用于将图像分割成区域,而无需使用地面真值标注。该框架包括特征嵌入模块、特征统计计算模块、图像重建和超像素分割,以实现准确的无监督分割。此外,我们提出了一种训练策略,利用每个超像素内部一致性、相邻超像素间的相似性 / 差异性和图像结构相似性。我们还提出了一种后处理方法,以避免由基于超像素的损失引起的过分分割。最后,我们扩展了所提方法用于无监督语义分割。通过在三个公开数据集上进行实验,我们证明了所提框架的有效性。实验结果表明,所提框架优于先前的最先进方法。
Oct, 2023