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
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。
May, 2015
本文提出了一种新的框架,将视频 / 图像分割和区域定位视为一个单一的优化问题,并以非常弱的监督方式集成低级外观线索和高级定位线索的信息。该框架利用不同级别的两种表示,利用边界框和超像素之间的空间关系作为线性约束,同时在边界框和超像素级别上区分前景和背景。与以往主要依赖于判别聚类的方法不同,我们结合了一个前景模型,使得一个物体在所有图像帧中的直方图差异最小。利用超像素和边界框之间的几何关系使得分割线索可以传递以改善定位输出,反之亦然。前景模型的引入将我们的判别框架推广到视频数据,其中背景往往是相似的,因此不具有判别力。我们证明了我们的统一框架在 YouTube 对象视频数据集,Internet 对象发现数据集和 Pascal VOC 2007 上的有效性。
Nov, 2018
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
本论文提出了一种基于结构化语义布局的图像操作分层框架,使用户可以通过添加、删除和移动一个边界框来对图像进行对象级别的操作。实验证明,该分层框架可以在语义对象操作、交互式图像编辑和数据驱动的图像操作等方面带来优势。
Aug, 2018
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
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
本研究提出一种基于层次模型和部分视图训练的视频生成方法,通过生成低分辨率视频来建立全局场景结构,然后通过层次结构的后续级别进行细化,从而降低了计算复杂度,可用于高分辨率视频的生成。
Jun, 2021
通过在短句设置中提取和总结相关信息,我们研究了以层次化方式对单词进行聚类的问题,特别是关注具有水平和垂直结构约束的聚类问题,我们通过将问题分为两个步骤来克服现有技术的瓶颈,首先,将其作为一个有软约束的正则化最小二乘问题来引导顺序图粗化算法的结果朝向水平可行解集,然后通过计算基于可用约束的最优截断高度从生成的层次树中提取平坦的聚类,我们展示了这种方法相对于现有算法具有很好的比较性能且计算上轻量级。
Dec, 2023
研究了利用多尺度分解通过层次拓扑信息的新型体系结构,并通过 Girvan-Newman 层次聚类算法生成了一棵树,使得架构可以学习从粗到细的多尺度潜在空间表示,并在基准引文网络上表现出竞争力。
Jun, 2020
本文提出了一种新颖、更通用和实用的自适应分层认证方法用于图像语义分割,该方法在由细粒度到粗粒度级别组成的多级分层标签空间中进行认证,同时引入了一种基于认证信息增益度量的评估策略,并且通过实验证明相比于当前最先进的认证方法及其非自适应版本,该自适应算法能够实现更高的认证信息增益并且更低的弃权率。
Feb, 2024