关键词superpixel segmentation
搜索结果 - 7
- 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 - 从生物学启发机制重新思考超像素分割
通过采用基于深度学习的超像素分割方法，在生成严格遵循物体边界的超像素，并传达丰富的视觉意义的过程中存在许多挑战，尤其当面色交叉相关性可能干扰物体时。为了解决这些问题，从神经结构和视觉机制中获得灵感，提出了一种生物网络架构，包括增强筛选模块和 - 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。
- ICCVAINet: 超像素分割的关联植入
本文提出了一种新的关联植入（AI）模块，用于增强深度卷积神经网络的超像素分割能力，该模块直接将网格单元的特征植入其相应中心像素的周围，并在填充窗口上进行卷积以自适应地在它们之间转移知识，通过此种植入操作，网络可以明确地获取像素 - 网格级别 - 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 CN - 一种基于 CNN 框架的雨水去除视频内容的鲁棒对准与补偿方法
通过将场景分解为深度一致的单位，并在 SP 级别对场景内容进行对齐处理，本文提出了一种新的去雨算法，该算法采用卷积神经网络将排序空间 - 时间匹配张量和一致的时间匹配张量准备用作输入特征，从而为中间去雨输出恢复高频细节。
- 超像素层次
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