FuSS：融合超像素以提升分割一致性
计算机视觉与模式识别
2022-06-07 v1 人工智能
机器学习
摘要
在本工作中，我们提出两种不同方法来改善开放集语义分割的语义一致性。首先，我们提出一种称为OpenGMM的方法，其使用高斯混合模型以多模态方式对每类像素的分布进行建模，从而扩展OpenPCS框架。第二种方法是一种后处理，其利用超像素强制高度同质区域表现一致，纠正这些区域内错误分类的像素，我们还提出了一种称为FuSS的新颖超像素方法。所有测试均在ISPRS Vaihingen和Potsdam数据集上进行，两种方法均能改善两个数据集的定量与定性结果。此外，采用FuSS的后处理在两个数据集上均取得了最先进的结果。官方实现可在：\url{https://github.com/iannunes/FuSS} 获取。
引用
@article{arxiv.2206.02714,
title = {FuSS: Fusing Superpixels for Improved Segmentation Consistency},
author = {Ian Nunes and Matheus B. Pereira and Hugo Oliveira and Jefersson A. Dos Santos and Marcus Poggi},
journal= {arXiv preprint arXiv:2206.02714},
year = {2022}
}
备注
submitted to IEEEACCESS. 19 pages