聚类更新与识别

我们提出一种快速且稳健的聚类更新算法，特别适用于基于超参数聚类方法的图像分割任务。我们将其应用于由图像中灰度差异定义自旋相互作用的 Potts 模型。受生物系统启发，我们引入了神经抑制概念到 Potts 模型的分割实现中。包含抑制项后的哈密顿量可增强对比度，从而显著提高分割质量。第二个好处是我们可以在等化后直接识别图像分割作为聚类算法形成的聚类。为构建新的自旋配置，算法执行标准步骤（1）形成聚类（2）同步更新聚类中的自旋。与标准算法不同的是，我们在这两个步骤之间共享相互作用能。因此，更新概率不再独立于相互作用能。结果表明，我们观察到的松弛加速度比 Swendson 和 Wang 程序快一个数量级。