设备端无监督图像分割
计算机视觉与模式识别
2023-03-23 v1 机器学习
摘要
随着卷积神经网络的突破，基于学习的分割在许多研究中涌现。其中大多基于监督学习，需要大量标注数据；然而，为支撑分割，需对每个像素提供标签，这显然代价高昂。因此，缺乏标注分割数据的问题普遍存在。持续学习是应对此问题的一条可行途径；但其对人工标注仍有较高需求。此外，现实应用中的分割数据对隐私要求极高，进一步呼唤设备端学习。本文旨在以另一种方式解决上述问题：我们提出开发可在边缘设备上执行的高效无监督分割，而非监督分割。基于我们的观察——当像素被映射到高维空间时分割可获得高性能——我们首次将受大脑启发的超维计算（HDC）引入分割任务。我们构建了基于 HDC 的无监督分割框架，即“SegHDC”。在 SegHDC 中，我们设计了一种遵循曼哈顿距离的新颖编码方法。进而在编码后的高维向量上开发了一种聚类算法以获得分割结果。实验结果表明，SegHDC 可显著超越基于神经网络的无监督分割。在标准分割数据集 DSB2018 上，SegHDC 在交并比（IoU）分数上可实现 28.0% 的提升；同时，其在 Raspberry PI 上达到超过 300 倍的加速。此外，对于 BBBC005 数据集中尺寸更大的图像，现有方法因内存不足无法在 Raspberry PI 上运行；而 SegHDC 可在 3 分钟内获得分割结果，同时达到 0.9587 的 IoU 分数。
引用
@article{arxiv.2303.12753,
title = {On-Device Unsupervised Image Segmentation},
author = {Junhuan Yang and Yi Sheng and Yuzhou Zhang and Weiwen Jiang and Lei Yang},
journal= {arXiv preprint arXiv:2303.12753},
year = {2023}
}
备注
To be published in Design Automation Conference (DAC) 2023