GridShift：一种用于图像分割与对象跟踪的更快模式搜索算法
计算机视觉与模式识别
2022-06-07 v1 机器学习
摘要
在机器学习和计算机视觉中，均值漂移（MS）是最受欢迎的用于聚类和图像分割的模式搜索算法之一。它迭代地将每个数据点移动到其邻域数据点的加权均值处。寻找每个数据点邻域所需的计算成本与数据点数量呈二次关系。因此，原始MS在大规模数据集上显得非常缓慢。为解决此问题，我们提出一种称为GridShift的模式搜索算法，其显著加速且原则上基于MS。为加速，GridShift采用基于网格的方式进行邻域搜索，该方式关于数据点数量呈线性。此外，GridShift将活跃网格单元（关联至少一个数据点的网格单元）而非数据点移向更高密度处，这一步提供了更多加速。GridShift的运行时间关于活跃网格单元数量呈线性，关于特征数量呈指数。因此，它非常适用于如对象跟踪和图像分割等大规模低维应用。通过大量实验，我们在基准数据集上展示了GridShift相比其他基于MS以及最先进算法在图像分割的精度与运行时间上的优越性能。最后，我们基于GridShift提供了一种新的对象跟踪算法，并展示出相比CamShift和meanshift++更具前景的对象跟踪结果。
引用
@article{arxiv.2206.02200,
title = {GridShift: A Faster Mode-seeking Algorithm for Image Segmentation and Object Tracking},
author = {Abhishek Kumar and Oladayo S. Ajani and Swagatam Das and Rammohan Mallipeddi},
journal= {arXiv preprint arXiv:2206.02200},
year = {2022}
}