SyncMapV2： robust and adaptive 无监督分割
计算机视觉与模式识别
2025-07-25 v3 人工智能
机器学习
摘要
人类视觉在无需显式训练的情况下即可完成分割任务，且即使在噪声严重的情况下仍表现出色。相比之下，现有的AI算法在类似条件下难以保持准确性。本文提出SyncMapV2，首次实现具有领先鲁活性的无监督分割。SyncMapV2在数字损坏情况下，mIoU仅下降0.01%，而SOTA方法下降了23.8%。这种卓越的性能在各种类型的损坏上都表现突出：噪声(7.3% vs. 37.7%)、天气(7.5% vs. 33.8%)、和模糊(7.0% vs. 29.5%)。值得注意的是，SyncMapV2在没有任何鲁活训练、监督或损失函数的情况下就实现了上述效果。它基于一种学习范式，使用自组织动力方程结合随机网络概念。此外，与传统方法需要为每个新输入重新初始化不同，SyncMapV2能够在线自适应，模拟人类视觉的持续可适应性。因此，我们不仅提出了准确且鲁活的结果，还首次提出一种算法能够同时实现上述所有功能，在线自适应输入而非重新初始化。在可适应性测试中，SyncMapV2显示出接近零的性能降低，这为未来新一代鲁活且可适应的智能系统指明了方向。
引用
@article{arxiv.2506.16297,
title = {SyncMapV2: Robust and Adaptive Unsupervised Segmentation},
author = {Heng Zhang and Zikang Wan and Danilo Vasconcellos Vargas},
journal= {arXiv preprint arXiv:2506.16297},
year = {2025}
}