CVPRMay, 2022

深度谱方法：无监督语义分割和定位惊人强大的基准线

PDF
TL;DR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。
unsupervised localizationsegmentationcomputer visionspectral methodself-supervised networks
发现论文，激发创造
  • 学习神经本征函数进行无监督语义分割

    本文提出了一种使用基于神经网络的特征函数实现光谱聚类的方法，将神经网络特征作为输入，通过轻量级的神经特征函数实现密集预测，实验结果表明该方法在 Pascal Context、Cityscapes 和 ADE20K 基准测试上具有显著的性能优势。

    Apr, 2023

  • 一种基于 3D 卷积的空间和时间光谱目标分割方法

    本论文提出了一种基于图分割的物体分割方法，通过 3D 滤波技术计算像素图的主聚类来实现，其与传统迭代方法相比速度更快且实现更简便，同时要求在像素级别上保持空间和时间的物体一致性，其在未监督和半监督的 DAVIS-2016 数据集上得到了比同类算法更好的结果，也取得了 SegTrackv2 数据集上的最佳结果。

    Jul, 2019

  • SpectralNet：使用深度神经网络进行谱聚类

    本篇论文提出了一种名为 SpectralNet 的深度学习方法，通过在大量的未标注数据上训练，将输入的数据转换为与其相连的图拉普拉斯矩阵的特征空间的向量，并成功地应用于谱聚类，实现了对谱聚类中可扩展性以及广义化转化的双重突破。

    Jan, 2018

  • 自监督少样本语义分割：一种无需标注的方法

    借鉴谱分解方法，将图像分解问题视为图划分任务，并通过特征亲和力矩阵的拉普拉斯矩阵的特征向量分析来估计感兴趣对象的分布；提出一种新颖的自监督式 FSS 框架，不依赖于任何标注，并通过利用从支持图像获得的特征向量自适应地估计查询掩码，从而消除了手动注释的需求，特别适用于具有有限标注数据的医学图像；引入了多尺度大卷积核注意力模块，进一步提高了对支持图像提供的信息进行查询图像解码的能力，通过选择性地强调相关特征和细节，改善了分割过程并有助于更好的物体勾边；在自然和医学图像数据集上的评估结果展示了我们方法的高效性和有效性。

    Jul, 2023

  • 鲁棒且普适的医学图像分割的空间和光谱学习的协调

    本研究介绍了一种新颖方法，通过结合空间和频谱表示来增强领域通用医学图像分割的能力，并引入了创新的谱相关系数目标函数来提高模型对中阶特征和上下文长距离依赖关系的捕捉能力。大量实验证明，优化该目标函数能显著提高 UNet 和 TransUNet 等现有架构的泛化能力、解释能力和噪声鲁棒性，生成更可信的预测结果。

    Jan, 2024

  • 基于深度光谱聚类的数据立方体分割

    扩展视觉技术在物理学中非常普遍，然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题，我们探索了在编码空间中应用无监督聚类方法的可能性，通过数据立方体像素的光谱属性进行深层聚类，该过程由经过训练的变分自动编码器进行统计降维，同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例：一组关于绘画艺术品的宏观映射 X 射线荧光（MA-XRF）合成数据和模拟天体观测的数据集。

    Jan, 2024

  • 图分类的简单基线算法

    提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。

    Oct, 2018

  • 使用双自编码器网络的深度谱聚类

    本文提出了一种联合学习框架，通过使用双自编码器网络将输入嵌入到潜在空间中，利用相互信息估计从输入中提供更具区分性的信息，并应用深度谱聚类方法将潜在表示嵌入到特征空间中并聚类，证明该方法在基准数据集上显著优于现有的聚类方法。

    Apr, 2019

  • 深度聚类：用于分割和分离的判别嵌入

    本文提出了一种称为 “深度聚类” 的深度学习框架，通过使用光谱图嵌入进行声源分离，从而实现类无关的信号分离，大大降低了领域分割成本，并且不依靠类别给出类标签，具有将不同源集合的潜力。

    Aug, 2015

  • 深度光谱改进的无监督图像实例分割

    通过自监督学习提取特征并利用亲和矩阵的拉普拉斯特性进行特征分割的深度光谱方法在实例分割中受到的关注较少。本文提出了两个通道减少模块 (NCR 和 DCR)，通过保留较低熵的通道并对具有较低标准差的通道进行修剪，以克服一些通道对实例分割任务准确性的干扰。此外，为了解决深度光谱方法常用的点积在实例分割中的敏感性问题，提出了一种新的相似度度量方法 BoC，它考虑了特征的分布和值，提供了更强大的实例分割相似度度量。Youtube-VIS2019 数据集上的定量和定性结果显示了提出的通道减少方法和使用 BoC 替代传统点积构建亲和矩阵的改进效果，表现为更好的平均交集联合和提取的实例分割图像。

    Feb, 2024