最小代价多割在图像与运动分割中的不确定性
计算机视觉与模式识别
2021-05-18 v1 人工智能
摘要
最小代价提升多割方法在图像分解、网格分割、多目标跟踪和运动分割等广泛应用中已证明具有实用的良好性能。它在一个基于图的模型中处理此类问题，其中在实体之间的边上分配实值代价，使得最小割将图分解为最优数量的段。受最小代价多割的概率表述驱动，我们提供了在优化过程中所做决策的不确定性的度量。我们认为，对于许多实际应用而言，获取此类不确定性至关重要，并通过在图像分解（BSDS-500）和运动分割（DAVIS2016 和 FBMS59）背景下，基于三个不同的广泛使用数据集，以信息变异（VI）和兰德指数（RI）进行的稀疏化评估。
引用
@article{arxiv.2105.07469,
title = {Uncertainty in Minimum Cost Multicuts for Image and Motion Segmentation},
author = {Amirhossein Kardoost and Margret Keuper},
journal= {arXiv preprint arXiv:2105.07469},
year = {2021}
}
备注
Accepted in the 37th Conference on Uncertainty in Artificial Intelligence (UAI 2021)