HERS 超像素：面向分层熵率分割的深度亲和度学习
计算机视觉与模式识别
2021-11-19 v2 应用统计
机器学习
摘要
超像素作为强大的预处理工具服务于众多计算机视觉任务。通过使用超像素表示，图像基元的数量可大幅降低数个数量级。随着近年来深度学习的兴起，已有少量工作尝试将深度学习得到的特征/图输入现有的经典超像素技术。然而，它们均无法近实时地生成超像素，而这对超像素在实际中的适用性至关重要。本工作中，我们提出一种两阶段基于图的超像素分割框架。在第一阶段，我们引入一种高效的深度亲和度学习（DAL）网络，通过聚合多尺度信息来学习像素对之间的亲和度。在第二阶段，我们提出一种称为分层熵率分割（HERS）的高效超像素方法。利用第一阶段学到的亲和度，HERS 构建分层树结构，可瞬时生成任意数量且高度自适应的超像素。我们通过视觉与数值实验，展示了相较于多种最先进（state-of-the-art）超像素方法，我们方法的有效性与高效性。
引用
@article{arxiv.2106.03755,
title = {HERS Superpixels: Deep Affinity Learning for Hierarchical Entropy Rate Segmentation},
author = {Hankui Peng and Angelica I. Aviles-Rivero and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2106.03755},
year = {2021}
}