基于通用并行方法的可扩展简单线性迭代聚类（SSLIC）
计算机视觉与模式识别
2018-07-24 v2
摘要
超像素算法已被证明是图像分割及后续处理的有用初始步骤，其通过以更高层次的抽象——超像素——替代昂贵的逐像素基元来降低计算复杂度。它们已成功应用于传统图像分析和基于深度学习的方法中。在本工作中，我们提出了简单线性迭代聚类（SLIC）超像素算法的通用化实现，该实现已推广至 n 维标量与多通道图像。此外，标准的迭代实现被替换为并行的多线程实现。我们描述了实现细节，并使用强缩放公式分析其可扩展性。定量评估使用一幅 3D 图像、Visible Human 冷冻切片数据集以及来自同一数据集的一幅 2D 图像进行。结果显示出良好的可扩展性，即便在使用超过可用物理核心数（超线程）的大量线程时也能获得运行时间收益。
引用
@article{arxiv.1806.08741,
title = {Scalable Simple Linear Iterative Clustering (SSLIC) Using a Generic and Parallel Approach},
author = {Bradley C. Lowekamp and David T. Chen and Ziv Yaniv and Terry S. Yoo},
journal= {arXiv preprint arXiv:1806.08741},
year = {2018}
}
备注
manuscript submitted to InsightJournal (ITK)