May, 2015

使用层次合并树进行图像分割

PDF
TL;DR本研究提出一种基于树形结构和边界分类器的图像分割的有监督分层方法，实验结果表明该方法在六个公共数据集上实现了最先进的区域分割精度，在没有语义先验的图像分割中具有很强的竞争力。
发现论文，激发创造
  • 机器学习的层次聚类用于 2D 和 3D 图像分割

    提出一种基于机器学习技术的主动学习方法，用于对超像素进行层次聚合分割，并在 3D 电子显微镜（EM）影像和自然影像的数据上，利用信息变异度来衡量分割精度，在比较实验中，证明了该方法在分割准确度上优于其他算法。

    Mar, 2013

  • SSHMT: 用于电子显微镜图像分割的半监督层次合并树

    本文提出一种基于区域的半监督分割方法，通过一个可微的无监督损失函数和贝叶斯模型结合有监督信息，可以在仅用 3％到 7％的完整标签数据子集的情况下实现与全标签方法相当的表现并显著优于仅相同标签子集的有监督方法。

    Aug, 2016

  • 超像素层次

    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

  • DeepMerge: 基于深度学习的图像分割区域合并

    本文提出了一个基于深度学习的区域合并方法 - DeepMerge 来处理大面积 VHR 图像的分割，该方法通过集成 Transformer, 多级嵌入模块，基于分割的特征嵌入模块和区域邻接图模型处理问题，并使用改进的二叉树采样方法生成深度合并模型的多级输入。从实验结果表明，所提出的 DeepMerge 具有最高的 F 值（0.9446）和最低的 TE（0.0962）和 ED2（0.8989），能够正确地分割不同大小的对象，并且优于所有选择的分割方法从定量和定性评估方面来表现。

    May, 2023

  • 图像层次结构上的显著性图

    本文提出了两种基于分层图像分割的显著性模型，它们可以高质量地生成显著性图，并在多个基准数据集上达到了最先进的性能水平。

    Aug, 2015

  • 多视图共分割和聚类变换器的无监督分层语义分割

    本文提出了一种基于像素特征学习的数据驱动的无监督分层语义分割方法，使用同一图像的多视角协同分割来启动特征学习，加入粗细层次间的聚类变换器以确保组织层次间的语义一致性，该方法被称作 'Hierarchical Segment Grouping'，在五个主流目标和场景测评基准上表现良好。

    Apr, 2022

  • 分层开放词汇通用图像分割

    本文提出了一种层次化结构的图像分割方法，包括分层表示和分裂的文本图像融合机制，并成功应用于多种分割任务中，包括语义、实例和部分级别的图像理解。

    Jul, 2023

  • 深层次语义分割

    本文提出了一种用于分层语义分割的新架构 HSSN，它可将现有的分割网络有效地应用于分层语义分割，通过像素嵌入和类别层次结构来实现像素级多标签分类和更好的分割。

    Mar, 2022

  • 多分辨率分层共聚类技术在带有微小变化序列的语义分割中的应用

    该论文提出了一种基于层次结构的协同聚类技术，可以对图像集合进行多分辨率表示。通过线性规划松弛方法解决二次半分配问题，从而实现了对节点的聚类。该技术在视频分割算法中取得了最佳的实时结果。

    Oct, 2015

  • 基于一致的图像分割进行层次语义分类的学习

    层次化语义分类需要预测一个层次结构树而不是单个层级的树，通过训练分类器来实现不同层级的准确性和一致性，同时结合图像分割以提高一致性和准确性，并引入树路径 KL 散度损失以强制实现跨层级的一致准确预测和预测层次结构树的准确性。

    Jun, 2024