OMH：基于最优匹配层次的无监督语义分割结构化稀疏方法
计算机视觉与模式识别
2024-04-08 v2 机器学习
摘要
无监督语义分割（USS）旨在不依赖预定义标签的情况下对图像进行分割，以减轻大量人工标注的负担。现有方法利用自监督模型生成的特征和特定先验进行聚类。然而，它们的聚类目标并未参与训练过程中特征的优化。此外，由于 USS 中缺乏明确的类别定义，生成的分割结果可能与聚类目标不能很好地对齐。本文引入了一种称为最优匹配层次（OMH）的新方法来同时解决上述问题。我们方法的核心在于对特征空间施加结构化稀疏性，使得特征能够编码不同粒度级别的信息。这种稀疏性的结构源于我们的层次结构（OMH）。为此，我们通过最优传输在并行聚类之间学习一个软但稀疏的层次结构。与现有的 USS 方法相比，我们的 OMH 取得了更好的无监督分割性能。大量实验证明了利用我们的可微范式时 OMH 的优势。我们将公开我们的代码。
引用
@article{arxiv.2403.06546,
title = {OMH: Structured Sparsity via Optimally Matched Hierarchy for Unsupervised Semantic Segmentation},
author = {Baran Ozaydin and Tong Zhang and Deblina Bhattacharjee and Sabine Süsstrunk and Mathieu Salzmann},
journal= {arXiv preprint arXiv:2403.06546},
year = {2024}
}
备注
11 pages