基于图结构深度度量学习的监督式分割
机器学习
2019-06-26 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一种全监督方法,用于学习分割由邻接图结构化的数据。我们引入图结构对比损失,一种由真值分割结构化的损失函数。它促进学习在期望段内同质、且在段界面具有高对比度的顶点嵌入。因此,计算此类嵌入的分段常数近似会产生接近目标分割的图划分。该损失完全可反向传播,这使我们可以利用深度学习算法学习顶点嵌入。我们在一个三维点云过分割任务上评估我们的方法,以大幅优势定义了新的 state-of-the-art。这些结果基于 Landrieu 与 Boussaha 2019 的已发表工作。
引用
@article{arxiv.1905.04014,
title = {Supervized Segmentation with Graph-Structured Deep Metric Learning},
author = {Loic Landrieu and Mohamed Boussaha},
journal= {arXiv preprint arXiv:1905.04014},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1904.02113