基于深度区域竞争的无监督前景提取
计算机视觉与模式识别
2023-10-06 v4 机器学习
摘要
我们提出深度区域竞争（DRC），一种以完全无监督方式从图像中提取前景物体的算法。前景提取可视为通用图像分割的特例，侧重于从背景中识别并分离物体。在本工作中，我们通过将基于能量的先验与以混合专家（MoE）形式的生成式图像建模相协调来重新思考前景提取，并进一步引入学习到的像素重分配作为捕捉背景区域规律性的本质归纳偏置。在此建模下，前景-背景划分可通过期望最大化（EM）自然求得。我们表明所提方法在划分过程中有效利用了混合分量间的交互，这与区域竞争——一种通用图像分割的开创性方法——紧密相连。实验表明，与先前方法相比，DRC在复杂真实世界数据和具挑战性的多物体场景上展现出更具竞争力的性能。此外，我们凭经验证明DRC有可能泛化至新颖的前景物体，甚至是训练时未见过类别的物体。
引用
@article{arxiv.2110.15497,
title = {Unsupervised Foreground Extraction via Deep Region Competition},
author = {Peiyu Yu and Sirui Xie and Xiaojian Ma and Yixin Zhu and Ying Nian Wu and Song-Chun Zhu},
journal= {arXiv preprint arXiv:2110.15497},
year = {2023}
}
备注
NeurIPS 2021