图像分割：诱导图基学习
计算机视觉与模式识别
2025-01-22 v2 图像与视频处理
摘要
本研究探讨了图神经网络 (GNN) 用于提高不同图像模态下语义分割效果的潜力。我们在三个不同数据集上评估了 novel GNN-based U-Net 架构的有效性：PascalVOC 是自然图像分割的标准基准、WoodScape 是常见于自动驾驶的鱼眼图像数据集，引入了显著的几何畸变；ISIC2016 是皮肤皮肤瘤分割的数据集。我们将提出的 UNet-GNN 模型与 established 的基于卷积神经网络 (CNN) 的分割模型进行了比较，包括 U-Net、U-Net++以及基于 transformer 的 SwinUNet。不同于这些方法主要依赖局部卷积操作或全局自注意力机制，GNN 通过构建和操作图像特征的图表示来显式建模图像区域之间的关系。这种方法允许模型捕捉长程依赖和复杂的空间关系，我们假设这在处理鱼眼图像中存在的几何畸变以及捕捉医学图像中复杂边界方面尤其有益。我们的分析表明，GNN 在解决多样化的分割挑战方面具有广泛的灵活性，并突显了其在包括自动驾驶和医学图像分析等各种应用中提高分割准确性的潜力。
引用
@article{arxiv.2501.03765,
title = {Image Segmentation: Inducing graph-based learning},
author = {Aryan Singh and Pepijn Van de Ven and Ciarán Eising and Patrick Denny},
journal= {arXiv preprint arXiv:2501.03765},
year = {2025}
}