基于残差驱动自适应正则化的多标签分割
计算机视觉与模式识别
2017-02-28 v1
摘要
我们提出一种变分多标签分割算法，该算法对数据项和正则化项均采用稳健的 Huber 损失，并在凸优化框架内进行最小化。我们引入一种新颖的公共区域约束，使解偏向于互斥的区域。我们还提出一种正则化方案，该方案根据每次迭代中残差的空间统计量进行自适应调整，从而随着算法的进行施加不同程度正则化：正则化项的作用在初始化时最强，并随着解对数据的拟合程度增加而减弱。这最小化了收敛时正则化项引入的偏差。我们利用 Huber 函数与一范数近端算子之间的等价关系，设计了一种基于交替方向乘子法的高效凸优化算法。我们在合成图像和真实图像上对所提算法进行了实证验证，并给出了代价函数的信息论推导，以突出所做的建模选择。
引用
@article{arxiv.1702.08336,
title = {Multi-Label Segmentation via Residual-Driven Adaptive Regularization},
author = {Byung-Woo Hong and Ja-Keoung Koo and Stefano Soatto},
journal= {arXiv preprint arXiv:1702.08336},
year = {2017}
}