使用超像素聚类和张量补全进行图像重建
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
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
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
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
本文提出了一种基于结构张量的新的直接边缘导向图像超分辨率算法,使用各像素的各向同性高斯滤波器计算结构张量,根据其特征值将像素分为统一区域、角落和边缘三个不同类别,通过结构张量切线特征向量,确定边缘方向并用于沿边缘插值,与部分以前的边缘导向图像插值方法相比,该方法在客观和主观方面都达到了更高的质量。此外,该算法不需要优化处理即可实现更高的速度。
Feb, 2014
通过基于超像素采样的方法和使用统计过程控制的梯度来训练和测试,该论文提出了一种在 Pascal Context,SUN-RGBD 数据集上性能优于或等于传统方法的语义分割网络,减少了上采样运算的复杂度。
Jun, 2017
该论文提出了一个像素递归超分辨率模型,可综合提高图像的分辨率并增强其真实感;该模型能够表示多模态条件分布,使用 PixelCNN 结构定义自然图像的先验知识并联合优化条件卷积网络,保持了照片的真实感。
Feb, 2017
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