文件大小：2.04M
摘要：超像素生成的速度与准确性是评估方法性能的关键指标. 针对有监督图像超像素分割方法性能通常依赖大量监督数据的问题， 提出一种无监督、保持准确性的图像超像素快速生成方法. 首先利用引导滤波设计下采样-联合上采样的超像素快速生成框架， 以提高模型的推理速度; 然后采用空洞空间卷积池化金字塔和多尺度注意力机制， 充分挖掘图像信息， 并设计鲁棒的损失函数， 提高超像素生成的准确性， 实现无监督的图像超像素生成方法; 最后采用顺序训练策略减少模型对大量训练数据的依赖. 在公开数据集BSDS500与DRIVE上的实验结果表明， 所提方法的边界召回率和可达分割准确性指标较已有无监督方法分别提高约1%和2%， 且速度提高约50%， 并拥有与有监督方法可比的表现.
文章目录
1 本文方法
1.1 超像素快速生成网络
1.2 无监督图像超像素生成模块
1.3 损失函数
2 实验及结果分析
2.1 数据集
2.2 评价指标
2.3 实现细节
2.4 方法比较
2.4.1 定性评估
2.4.2 定量评估
2.4.3 效率评估
2.5 消融实验
2.5.1 基本模型
2.5.2 融合联合上采样模块的模型
2.5.3 融合联合上采样模块及注意力机制的模型
2.5.4 融合联合上采样模块及多尺度注意力模块的模型
2.5.5 损失函数的超参数设置分析
2.6 局 限
3 结 语
