Mar, 2024

OMH：通过最佳匹配层次结构实现无监督语义分割的结构稀疏化

PDF
TL;DR无监督语义分割涉及在没有预定义标签的情况下对图像进行分割，以减轻广泛的人工标注负担。本文介绍了一种称为 “优化匹配层次” 的新方法，以同时解决上述问题。我们的方法的核心在于对特征空间进行结构化稀疏性约束，使得特征能够以不同的粒度编码信息。通过最优输运，我们的 “优化匹配层次” 在无监督分割性能上优于现有方法。我们的大量实验证明了利用我们的可微范式以及 “优化匹配层次” 的好处。我们将使我们的代码公开可用。
unsupervised semantic segmentationoptimally matched hierarchyself-supervised modelsclustering objectivesstructured sparsity
发现论文，激发创造
  • 扩展与量化：使用高维空间和乘积量化的无监督语义分割

    无监督语义分割是发现和识别有意义类别而不使用任何标签的方法之一，本文提出了一种新的无监督语义分割框架（EQUSS），它结合了高维空间的好处以进行更好的聚类和产品量化以实现有效的信息压缩，并在三个标准基准测试中取得了最先进的结果。此外，我们还分析了 USS 特征的熵，这是从信息理论的角度理解 USS 的第一步。

    Dec, 2023

  • 重新思考无监督图像语义分割中的对齐和一致性

    本研究提出了一种名为语义关注网络（Semantic Attention Network，SAN）的模型，在无监督的图像语义分割（UISS）任务中采用 “语义关注（Semantic Attention）” 模块生成像素级和语义级特征，该模型具有较好的特征一致性和特征匹配性能，在多个数据集上超过已有方法的分割效果。

    Nov, 2022

  • 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

  • OmniSeg3D: 基于层次对比学习的全方位 3D 分割

    提出了一种全方位理解 3D 场景的通用 3D 分割方法 OmniSeg3D，通过层次对比学习框架将多视图不一致的 2D 分割提升为一致的 3D 特征场，实现了分层分割、多对象选择和全局离散化，并通过大量实验验证了该方法在高质量 3D 分割和准确定义了层次结构方面的有效性，进一步利用图形用户界面实现了灵活的全方位 3D 分割的交互操作。

    Nov, 2023

  • 通过提炼特征对应关系进行无监督的语义分割

    STEGO 是一种新的自监督特征提取框架，通过使用对比损失函数来加强特征聚类的紧凑性，并在 CocoStuff 和 Cityscapes 语义分割挑战中显著优于其他算法。

    Mar, 2022

  • 使用稀疏子集选择的图像分割

    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

  • S3M: 通过无监督对应关系实现可扩展统计形状建模

    本研究提出一种无监督方法，利用深度几何特征和功能对应关系，同时学习复杂解剖学中的局部和全局形状结构，从而显著改善统计形状模型的无监督对应估计，并且精度高于基线方法，甚至在高度不规则的表面拓扑上也适用。

    Apr, 2023

  • 一个轻量级聚类框架用于无监督语义分割

    我们提出了一个用于无监督语义分割的轻量级聚类框架，基于自监督视觉变换器的注意特征，通过将这些特征聚类成少量的聚类中心，我们能够将前景和背景的图像补丁分开成不同的组。我们的框架在无监督语义分割方面展示了很大的潜力，并在 PASCAL VOC 和 MS COCO 数据集上取得了最新的成果。

    Nov, 2023

  • 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