重新思考无监督神经超像素分割
计算机视觉与模式识别
2022-06-22 v1
摘要
近来，通过CNN进行超像素分割的无监督学习概念得到研究。本质上，此类方法在单幅图像上利用卷积神经网络（CNN）生成超像素，且此类CNN的训练无任何标签或进一步信息。因此，该方法依赖于先验的引入，通常透过设计目标函数将解导向有意义的超像素分割。本文提出三个关键要素以提升此类网络的效能：（i）软超像素化图像与输入图像的相似性，（ii）物体边缘与边界的增强与考量，以及（iii）基于空洞卷积的改进架构，其允许更宽的视野，充当网络中的多尺度组件。通过在BSDS500数据集上实验，我们从定性与定量上找到了所提方案重要性的证据。
引用
@article{arxiv.2206.10213,
title = {Rethinking Unsupervised Neural Superpixel Segmentation},
author = {Moshe Eliasof and Nir Ben Zikri and Eran Treister},
journal= {arXiv preprint arXiv:2206.10213},
year = {2022}
}
备注
ICIP 2022