Falcon：克服局部极小值的分数交替割
计算机视觉与模式识别
2025-04-09 v1
摘要
今天的无监督图像分割算法往往会产生次优分割。现代基于图割的方法依赖来自基于Transformer基础模型的高维注意力地图，通常采用松弛的归一化割（Normalized Cut），通过费伊德尔向量（第二个最小特征值的特征向量）递归求解。因此，它们仍落后于监督方法在掩码生成速度和分割准确性方面。我们提出了正则化分数交替割（Falcon），这是一种无需依赖递归特征向量计算的K向归一化割优化方法，显著提升速度和准确性。Falcon包含两个阶段：（1）通过扩展到分数二次变换求解快速K向归一化割，采用交替迭代程序并加入正则化以避免局部极小值；（2）使用互补的低层次信息对结果掩码进行细化，生成高质量的像素级分割。实验表明，Falcon不仅在六个广泛认可的基准测试中平均超越现有最先进方法2.5%，在Cityscapes上提升最高达4.3%，而且在运行时间上比以前基于图的方法缩短约30%。这些发现表明，基础模型注意力中的语义信息可通过高度可并行化的图割框架有效利用。因此，Falcon可以缩小无监督分割与监督分割之间的差距，增强现实应用中的可扩展性，并为各种下游任务中的密集预测驱动的视觉预训练铺路。代码已发布于 https://github.com/KordingLab/Falcon。
引用
@article{arxiv.2504.05613,
title = {Falcon: Fractional Alternating Cut with Overcoming Minima in Unsupervised Segmentation},
author = {Xiao Zhang and Xiangyu Han and Xiwen Lai and Yao Sun and Pei Zhang and Konrad Kording},
journal= {arXiv preprint arXiv:2504.05613},
year = {2025}
}