GeloVec：面向图像分割中连贯视觉特征提取的高维几何平滑方法
计算机视觉与模式识别
2025-05-05 v1
摘要
本文提出 GeloVec，一种用于语义分割的新型基于 CNN 的注意力平滑框架，旨在解决传统方法中的关键局限。现有基于注意力的分割方法在特征映射过程中存在边界不稳定和上下文不连续的问题，而我们的框架通过实现一种高维几何平滑方法，在视觉连贯区域之间建立鲁棒的流形关系。GeloVec 结合了改进的切比雪夫距离度量与多空间变换，通过稳定的特征提取来提升分割精度。其核心创新在于自适应采样权重系统，该系统在 n 维特征空间中计算几何距离，在保持类内同质性的同时实现了优越的边缘保留。多空间变换矩阵结合了具有正交基向量的张量投影，在不牺牲计算效率的前提下，创建了更具判别力的特征表示。在多个基准数据集上的实验验证表明，分割性能有显著提升，与最先进方法相比，在 Caltech Birds-200、LSDSC 和 FSSD 数据集上的平均交并比 (mIoU) 分别提高了 2.1%、2.7% 和 2.4%。GeloVec 基于黎曼几何的数学基础为分割稳定性提供了理论保证。重要的是，我们的框架通过测地线变换的并行化实现保持了计算效率，并且由于变换过程中无信息损失，展现出跨学科的强大泛化能力。
引用
@article{arxiv.2505.01057,
title = {GeloVec: Higher Dimensional Geometric Smoothing for Coherent Visual Feature Extraction in Image Segmentation},
author = {Boris Kriuk and Matey Yordanov},
journal= {arXiv preprint arXiv:2505.01057},
year = {2025}
}
备注
13 pages, 3 figures, 3 tables