基于超bolic图神经网络的无监督轻量图像分割方法——Seg-HGNN
计算机视觉与模式识别
2024-09-11 v1
摘要
通过线性超平面进行欧几里得空间中的图像分析已为人所熟知。然而，在寻求更有效图像表征的过程中，我们转向双曲流形。双曲流形能够以极小的维度捕获图像中复杂的层次关系。为展示双曲嵌入的卓越性能，我们引入一种轻量级双曲图神经网络用于图像分割，将补丁级特征嵌入其中。我们的解决方案——Seg-HGNN——在 VOC-07、VOC-12 的定位任务上分别超越当前最佳无监督方法提高了 2.5%、4%，在 CUB-200、ECSSD 的分割任务上分别提高了 0.8%、1.3%。Seg-HGNN 采用不到 7.5k 的可训练参数，在标准 GPU（如 GTX1650）上可实现约 2 张图像/秒的快速处理。该实证评估为双曲表征在视觉任务中的有效性与潜力提供了有力证据。
引用
@article{arxiv.2409.06589,
title = {Seg-HGNN: Unsupervised and Light-Weight Image Segmentation with Hyperbolic Graph Neural Networks},
author = {Debjyoti Mondal and Rahul Mishra and Chandan Pandey},
journal= {arXiv preprint arXiv:2409.06589},
year = {2024}
}
备注
BMVC 2024