以非迭代与终身学习方式学习超像素
计算机视觉与模式识别
2021-04-22 v2 机器学习
摘要
超像素通过将图像中的像素自动聚类为数百个紧凑分区来生成，因其优异的轮廓贴合性而被广泛用于感知物体轮廓。尽管已有一些工作使用卷积神经网络（CNN）生成高质量超像素，但我们质疑这些网络的设计原则，特别是它们对人工标注和过多计算资源的依赖，这使其相较于传统无监督分割方法灵活性受限。我们旨在将基于 CNN 的超像素分割重新定义为一项终身聚类任务，并提出一种称为 LNS-Net 的无监督基于 CNN 的方法。LNS-Net 能够以非迭代和终身的方式学习超像素，且无需任何人工标注。具体而言，为 LNS-Net 提出了一个轻量级特征嵌入器，以高效生成利于聚类的特征。利用这些特征，可以以非迭代方式自动分配种子节点来聚类像素。此外，我们的 LNS-Net 能够通过基于通道和空间上下文对权重梯度进行重缩放来适应顺序终身学习，从而避免过拟合。实验表明，所提出的 LNS-Net 在三个基准上取得了显著更好的性能，且复杂度比其他最先进的方法低近十倍。
引用
@article{arxiv.2103.10681,
title = {Learning the Superpixel in a Non-iterative and Lifelong Manner},
author = {Lei Zhu and Qi She and Bin Zhang and Yanye Lu and Zhilin Lu and Duo Li and Jie Hu},
journal= {arXiv preprint arXiv:2103.10681},
year = {2021}
}
备注
Accept by CVPR2021