Apr, 2018

使用稀疏子集选择的图像分割

PDF
TL;DR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。
发现论文，激发创造
  • 全局与局部稀疏子空间优化的运动分割

    本文提出了一种基于仿射子空间模型的特征运动物体分割新框架，该方法通过稀疏 PCA 表示原始轨迹，通过自动搜索最近邻点的稀疏表达来实现局部子空间分离，并提出了一种误差估计来处理缺失数据问题，最后通过谱聚类方法将不同的运动分割出来，实验证明该方法在精度和运算时间上优于其他运动分割方法。

    Jan, 2017

  • 高效语义分割的超像素变换器

    通过使用超像素与现代 Transformer 框架相结合，本研究提出一种能在语义分割领域获得最先进性能的方法，通过学习将像素空间分解为低维超像素空间，并运用多头自注意力机制来丰富超像素特征以获得全局上下文信息，最终实现了更高的计算效率和模型性能。

    Sep, 2023

  • 使用超像素聚类和张量补全进行图像重建

    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

  • 像素级聚类网络用于无监督图像分割

    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

  • 基于能量驱动采样的超像素生成算法 SEEDS

    本研究提出基于简单上山式优化的新方法，以追求色彩相似性为基础，使得超像素算法可用于实时应用中。在一系列实验中，得出实时单 CPU 性能与领先技术相当的结论。

    Sep, 2013

  • 基于不相似性的稀疏子集选择

    本文提出了一种在计算机视觉、生物 / 健康信息学及图像和自然语言处理等领域中集合选择问题的求解方法，通过行稀疏的迹最小化问题的凸松弛，找到代表样本集，并赋予目标集合中的每个元素到代表样本的分配，实现集群化，并通过交替方向乘法法（ADMM）框架实现快速优化。实验证明，该算法在场景分类和时间序列建模和分割等问题上都具有优异的性能。

    Jul, 2014

  • 深度谱方法：无监督语义分割和定位惊人强大的基准线

    通过基于传统光谱分割方法，将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量，以对场景中的对象进行定位和义分割的无监督方法，在 Pascal VOC，MS-COCO 等复杂数据集上取得了显著的定位和分割优势。

    May, 2022

  • 自适应稀疏域选择和自适应正则化的图像去模糊和超分辨率

    基于自适应稀疏域选择和自适应正则化，使用自然图像集合的多组自适应基来表示给定图像修复目标的本地稀疏域，引入自回归模型和非局部自相似性正则化，通过实验证明该方法在图像去模糊和超分辨率上比许多现有算法都具有更好的表现。

    Dec, 2010

  • 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

  • 基于卷积神经网络和正则化信息最大化的超像素分割

    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