UnSeGArmaNet：基于带卷积 ARMA 滤波的图神经网络无监督图像分割
计算机视觉与模式识别
2024-10-10 v1
摘要
监督分类的数据驱动方法数据需求量大，推动了研究者们关注无监督方法，尤其是医学图像分割领域，该领域的标注数据难以获取。灵感来源于 Vision Transformer（ViT）在计算机视觉任务中近期的成功，我们提出一种基于预训练 ViT 的无监督分割框架。此外，通过利用图像中内在的图结构，该方法在图像分割中取得显著性能，尤其是在医学图像方面。我们进一步引入基于模块化的损失函数，结合自回归移动平均（ARMA）滤波器以捕捉图像内在的图拓扑结构。最后，我们观察到在所提出的图神经网络（GNN）架构中采用缩放指数线性单元（SELU）和 SILU（Swish）激活函数可提升分割性能。该方法在基准图像分割数据集（如 ECSSD、DUTS、CUB）以及具有挑战性的医学图像分割数据集（如 KVASIR、CVC-ClinicDB、ISIC-2018）上提供了与监督方法相当甚至更好的性能。代码仓库已发布于 \url{https://github.com/ksgr5566/UnSeGArmaNet}。
引用
@article{arxiv.2410.06114,
title = {UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters},
author = {Kovvuri Sai Gopal Reddy and Bodduluri Saran and A. Mudit Adityaja and Saurabh J. Shigwan and Nitin Kumar and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:2410.06114},
year = {2024}
}
备注
Accepted at BMVC-2024. arXiv admin note: text overlap with arXiv:2405.06057