DynaSeg：一种结合特征相似性与空间连续性的深度动态融合无监督图像分割方法
计算机视觉与模式识别
2024-11-11 v4
摘要
我们的工作解决了计算机视觉中图像分割的根本挑战，这对各种应用至关重要。尽管监督方法表现出色，但它们对大量像素级标注的依赖限制了可扩展性。我们引入了 DynaSeg，这是一种创新的无监督图像分割方法，它在不依赖大量超参数调整的情况下，克服了平衡特征相似性和空间连续性的挑战。与传统方法不同，DynaSeg 采用动态加权方案，可自动化参数调整，灵活适应图像特征，并便于与其他分割网络轻松集成。通过引入轮廓系数阶段，DynaSeg 防止了预测簇数可能收敛为一时的欠分割失败问题。DynaSeg 使用基于 CNN 和预训练的 ResNet 进行特征提取，使其在计算上高效且比其他复杂模型更简单。实验结果展示了最先进的性能，在 COCO-All 和 COCO-Stuff 数据集上分别比当前无监督分割方法提高了 12.2% 和 14.12% 的 mIOU。我们在五个基准数据集上提供了定性和定量结果，证明了所提方法的有效性。代码可在 https://github.com/RyersonMultimediaLab/DynaSeg 获取
引用
@article{arxiv.2405.05477,
title = {DynaSeg: A Deep Dynamic Fusion Method for Unsupervised Image Segmentation Incorporating Feature Similarity and Spatial Continuity},
author = {Boujemaa Guermazi and Naimul Khan},
journal= {arXiv preprint arXiv:2405.05477},
year = {2024}
}
备注
Image and Vision Computing Journal