A Sparse Graph Formulation for Efficient Spectral Image Segmentation
Haverford College（哈弗福德学院）；Bowdoin College（鲍登学院）
本文提出一种在网格图中加入颜色节点的稀疏图表述，结合归一化割实现简单可扩展的谱图像分割，并在真实与合成数据上优于传统和现代无监督方法。
2024-06-07 cs.CV
Tree-Cut for Probabilistic Image Segmentation
Université Paris-Est（巴黎东大学）；École des Ponts ParisTech（巴黎高科桥路学院）；University of Edinburgh（爱丁堡大学）；Oregon State University（俄勒冈州立大学）
本文提出了一种新的概率生成式图像分割模型，即把图像分割成均匀区域的任务。我们的模型是基于一个中级的图像表示，称为区域树，其中区域递归地分割成子区域，直到达到超像素。给定区域树，图像分割被形式化为从模型在树中的采样切割。切割的推断是精确的，并且使用动态规划来制定。我们的树切割模型可以被调整为在许多可能的多尺度图像分割中以特定的感兴趣尺度进行样本分割。这概括了每个图像应该只有一个正确分割的常见概念。此外，它允许超越标准的单尺度评估，其中图像的分割结果针对相应的一组粗略和精细的人类注释进行平均，以进行尺度特定的评估。我们的定量结果与领先的gPb-owt-ucm方法的结果相当，具有显著的优点，即我们还产生了所有可能的树一致的图像分割的分布。
2015-06-11 cs.CV stat.ML
An Iterative Boundary Random Walks Algorithm for Interactive Image Segmentation
South China University of Technology（华南理工大学）
交互式图像分割算法可以提供一种智能的方式来理解用户输入的意图。许多交互式方法都存在需要大量用户输入的问题。在有限的用户输入下有效地产生直观的分割对于工业应用是重要的。在本文中，我们揭示了一个正反馈系统的图像分割显示像素的自我学习。对反馈系统中的关键步骤--分割势，提出了两种求解方法：迭代随机游动和边界随机游动。图像分割的实验结果表明，该算法可以获得更有效的随机游走输入。采用迭代边界随机游走算法可以获得更高的分割性能。
2018-08-09 cs.CV
CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning
Nanyang Technological University（南洋理工大学）；The University of Adelaide（阿德莱德大学）；China University of Mining and Technology（中国矿业大学）
语义分割的最新进展是由深度卷积神经网络和大规模标记图像数据集驱动的。然而，用于逐像素分割的数据标记是繁琐且昂贵的。此外，经过训练的模型只能在一组预定义的类内进行预测。在本文中，我们提出了CANet，一个类不可知的分割网络，执行Few-Shot分割新的类，只有少数注释的图像可用。我们的网络由一个两分支密集比较模块和一个迭代优化模块组成，该模块在支持图像和查询图像之间进行多级特征比较，该模块迭代地细化预测结果。此外，我们引入了一个注意力机制，以有效地融合信息，从多个支持的例子下，k-shot学习。PASCAL VOC 2012上的实验表明，我们的方法实现了平均Intersection-over-Union得分为55.4%的1镜头分割和57.1%的5镜头分割，分别超过了14.6%和13.2%的大幅度的最先进的方法。
2019-03-06 cs.CV
Superpixel-guided Iterative Learning from Noisy Labels for Medical Image Segmentation
ShanghaiTech University（上海科技大学）；Shanghai Engineering Research Center of Intelligent Vision and Imaging（上海智能视觉与成像工程技术研究中心）
由于难以获得高质量的标注，从噪声标签中学习分割是医学图像分析的一项重要任务。大多数现有的方法忽略了像素的相关性和结构的先验分割，往往产生噪声预测周围的对象边界。为了解决这个问题，我们采用了超像素表示，并开发了一种强大的迭代学习策略，该策略结合了分割网络的噪声感知训练和噪声标签细化，两者都由超像素指导。这种设计使我们能够利用分割标签中的结构约束，并有效地减轻标签噪声对学习的影响。两个基准测试的实验表明，我们的方法优于最近的国家的最先进的方法，并在广泛的标签噪声实现卓越的鲁棒性。代码可在https://github.com/gaozhitong/SP_guided_Noisy_Label_Seg上获得。
2021-07-21 cs.CV
The iterative convolution-thresholding method (ICTM) for image segmentation
University of Utah（犹他大学）；Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一种新的迭代卷积阈值法（ICTM），适用于一系列的变分模型的图像分割。变分模型通常最小化由保真度项和正则化项组成的能量泛函。在ICTM中，两个不同段域之间的接口由它们的特征函数隐式地表示。然后，保真度项通常被写为特征函数的线性泛函，并且正则化项通过热核卷积方面的特征函数的泛函来近似。这使我们能够设计一种迭代卷积阈值方法，以最大限度地减少近似能量。该方法简单、高效，具有能量衰减特性。数值实验表明，该方法易于实现，鲁棒性强，适用于各种图像分割模型。
2019-04-24 cs.CV
Iterative Learning for Instance Segmentation
VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）；University of Oulu（奥卢大学）
实例分割是一项计算机视觉任务，其中检测并分割图像中的单独对象。最先进的深度神经网络模型需要大量的标记数据，以便在此任务中表现良好。做这些注释是很耗时的。我们首次提出了一种迭代学习和注释方法，该方法能够在由多个相似对象组成的数据集中检测，分割和注释实例。该方法需要最少的人为干预，只需要一个自举集包含很少的注释。在两个不同的数据集上的实验表明了该方法在视觉检测相关的不同应用中的有效性。
2022-02-18 cs.CV
An efficient iterative thresholding method for image segmentation
Hong Kong University of Science and Technology（香港科技大学）
本文提出了一种高效的迭代阈值方法用于多相图像分割，通过非局部多相能量近似轮廓长度，实现最优复杂度O(N log N)的高效分割。
2016-08-12 cs.CV cs.NA math.NA
The GIST and RIST of Iterative Self-Training for Semi-Supervised Segmentation
University of Guelph（圭尔夫大学）；Vector Institute（向量研究所）；Modiface, Inc.（Modiface公司）；University of Toronto（多伦多大学）
我们考虑半监督语义分割的任务，我们的目标是产生像素级的语义对象掩码，只给出少量的人类标记的训练样本。我们专注于迭代自我训练方法，在其中我们探索了多个细化阶段的自我训练行为。我们发现，如果使用固定比例的人工标记和伪标记训练样本天真地进行迭代自训练，则会导致性能下降。我们提出了贪婪迭代自训练（GIST）和随机迭代自训练（RIST）策略，这些策略在每个细化阶段交替使用人工标记数据或伪标记数据进行训练，从而提高性能而不是降低性能。我们进一步表明，GIST和RIST可以与现有的半监督学习方法相结合，以提高性能。
2022-04-29 cs.CV
ISIM: Iterative Self-Improved Model for Weakly Supervised Segmentation
Adevinta（阿德温塔）；Bahcesehir University（巴赫切谢希尔大学）
弱监督语义分割（WSSS）是一个具有挑战性的任务，旨在从类级别的标签学习分割标签。在文献中，利用类激活图（CAMs）获得的信息被广泛用于WSSS研究。然而，由于CAM是从分类网络中获得的，因此它们对对象的最有区别的部分感兴趣，从而产生用于分割任务的不完整先验信息。在这项研究中，为了获得更连贯的CAM与分割标签，我们提出了一个框架，采用迭代方法在修改后的编码器-解码器为基础的分割模型，同时支持分类和分割任务。由于没有给出真实的分割标签，同一模型还在密集条件随机场（dCRF）的帮助下生成伪分割标签。因此，所提出的框架成为一个迭代的自我改进的模型。使用DeepLabv 3和UNet模型进行的实验显示Pascal VOC 12数据集有显著的增益，DeepLabv 3应用程序将当前最先进的指标提高了%2.5。与实验相关的实现可以在https://github.com/cenkbircanoglu/isim上找到。
2022-11-23 cs.CV
Topology preserving Image segmentation using the iterative convolution-thresholding method
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
针对传统图像分割模型忽略目标拓扑特性导致结果偏差的问题，本文提出拓扑保持迭代卷积阈值法TP-ICTM，通过引入拓扑保持约束显式保留连通性等特性，提升了复杂结构或含噪图像分割的准确性与鲁棒性。
2025-03-22 cs.CV
Joint Semantic Segmentation and Boundary Detection using Iterative Pyramid Contexts
Hong Kong University of Science and Technology（香港科技大学）；Microsoft Research Asia（微软亚洲研究院）；Everest Innovation Technology（珠科创新技术）
在本文中，我们提出了一个联合多任务学习框架的语义分割和边界检测。框架中的关键组件是迭代金字塔上下文模块（PCM），它耦合两个任务并存储共享的潜在语义以在两个任务之间进行交互。对于语义边界检测，我们提出了新的空间梯度融合抑制非语义边缘。由于语义边界检测是语义分割的双重任务，本文引入了一个带有边界一致性约束的损失函数，以提高语义分割的边界像素精度。我们广泛的实验表明，优越的性能超过国家的最先进的作品，不仅在语义分割，但也在语义边界检测。特别是，Cityscapes测试集上的平均IoU得分为81：8%，无需使用粗数据或任何外部数据进行语义分割。对于语义边界检测，我们在AP和MF（ODS）方面比以前的最先进的作品提高了9.9%和6：8%。
2020-04-16 cs.CV
Recurrent Iterative Gating Networks for Semantic Segmentation
University of Manitoba（曼尼托巴大学）；Ryerson University（瑞尔森大学）；Vector Institute（向量研究所）
在本文中，我们提出了一种称为RIGNet的递归迭代门控方法。RIGNet的核心元素涉及以自上而下的方式控制神经网络中信息流的循环连接，并考虑了核心结构的不同变体。这种机制的迭代性质允许门控在空间范围和特征空间中扩展。这是一个强大的机制，与现有的网络具有广泛的兼容性。分析显示了门控如何与不同的网络特征相互作用，我们还表明，更浅的网络与门控可能会比更深的网络，不包括RIGNet模块，以执行更好。
2018-11-20 cs.CV
Iterative fully convolutional neural networks for automatic vertebra segmentation and identification
University Medical Center Utrecht（乌得勒支大学医学中心）；Radboud University Medical Center Nijmegen（奈梅亨拉德堡德大学医学中心）；Utrecht University（乌得勒支大学）
椎骨的精确分割和解剖学识别为脊柱的自动分析提供了基础，例如检测椎骨压缩性骨折或其他异常。大多数专用脊柱CT和MR扫描以及胸部、腹部或颈部扫描仅覆盖脊柱的一部分。因此，分割和识别不应依赖于某些椎骨或一定数量的椎骨的可见性。我们提出了一种迭代实例分割方法，该方法使用完全卷积神经网络来一个接一个地分割和标记椎骨，而与可见椎骨的数量无关。这种逐个实例分割通过将网络与保存关于已经分割的椎骨的信息的存储器组件相结合来实现。该网络迭代地分析图像块，使用来自图像和存储器的信息来搜索下一个椎骨。为了有效地遍历图像，我们包括椎骨总是彼此相邻的先验知识，这用于跟踪脊柱。该方法使用五种不同的数据集进行评估，包括多种模式（CT和MR），脊柱不同部分的各种视野和覆盖范围，以及一组特别具有挑战性的低剂量胸部CT扫描。所提出的迭代分割方法与现有方法相比具有快速、灵活和通用性等优点。
2019-02-11 cs.CV
Iteratively-Refined Interactive 3D Medical Image Segmentation with Multi-Agent Reinforcement Learning
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）
现有的三维图像自动分割方法往往不能满足临床应用的需要。许多研究探索了一种交互式策略，通过迭代地结合用户提示来提高图像分割性能。然而，连续相互作用的动态过程在很大程度上被忽略了。本文提出将迭代交互式图像分割的动态过程建模为马尔可夫决策过程（MDP），并使用强化学习（RL）解决该问题。不幸的是，由于探索空间很大，使用单智能体RL进行体素预测是很困难的。为了将探索空间减小到易于处理的大小，我们将每个体素视为具有共享体素级行为策略的代理，以便可以使用多智能体强化学习来解决。这种多智能体模型的另一个优点是捕捉分割任务的体素之间的依赖性。同时，为了丰富以前的分割信息，我们保留了预测的不确定性在状态空间的MDP和推导出一个调整的动作空间，导致更精确和更精细的分割。此外，为了提高探索效率，我们设计了一个相对交叉熵增益为基础的奖励更新的政策在一个约束的方向。在各种医学数据集上的实验结果表明，我们的方法显着优于现有的最先进的方法，具有更少的交互和更快的收敛速度的优势。
2019-11-23 cs.CV
Iterative Next Boundary Detection for Instance Segmentation of Tree Rings in Microscopy Images of Shrub Cross Sections
Fraunhofer Institute for Computer Graphics Research (IGD)（弗劳恩霍夫计算机图形学研究所（IGD））；Ernst Moritz Arndt University（恩斯特·莫里茨·阿恩特大学）；Centre for Research on Ecology and Forestry Applications (CREAF)（生态与林业应用研究中心（CREAF））；University of Rostock（罗斯托克大学）
我们解决的问题，检测树木年轮的灌木横截面的显微图像。这可以被认为是实例分割任务的特殊情况，具有若干独特的挑战，例如对象的同心圆环形状和导致现有方法性能不足的高精度要求。我们提出了一种新的迭代法，我们称之为迭代下边界检测（INBD）。它直观地模拟自然生长方向，从灌木横截面的中心开始，并在每个迭代步骤中检测下一个环边界。在我们的实验中，INBD表现出优于一般的实例分割方法的性能，是唯一一个内置的时间顺序的概念。我们的数据集和源代码可以在http://github.com/alexander-g/INBD上找到。
2023-03-14 cs.CV
Iterative, Deep, and Unsupervised Synthetic Aperture Sonar Image Segmentation
Pennsylvania State University（宾夕法尼亚州立大学）
深度学习还没有被常规地用于合成孔径声纳（SAS）图像的海底环境的语义分割，这是由于这种方法所必需的大量训练数据的隐含需要。丰富的训练数据，特别是所有图像的像素级标签，由于复杂的物流（例如，潜水员测量、追踪船、精确位置信息）。已经提出了许多手工制作的基于特征的算法来以无监督的方式分割SAS。然而，由于这些方法的特征提取步骤是固定的，因此仍有改进的空间。在这项工作中，我们提出了一种新的迭代无监督算法，用于学习SAS图像分割的深度特征。我们提出的算法在聚类超像素和更新卷积神经网络（CNN）的参数之间交替，以便可以优化用于图像分割的特征提取。我们证明了我们的方法在一个现实的基准数据集的有效性。我们的研究结果表明，我们提出的方法的性能是大大优于目前国家的最先进的方法在SAS图像分割。
2021-07-30 cs.CV
Boundary-aware Supervoxel-level Iteratively Refined Interactive 3D Image Segmentation with Multi-agent Reinforcement Learning
Shanghai Jiao Tong University（上海交通大学）；East China Normal University（华东师范大学）；Tongji University（同济大学）
交互式分割最近已被探索，以有效地和高效地收获高质量的分割掩模，通过迭代地结合用户提示。虽然本质上是迭代的，但大多数现有的交互式分割方法倾向于忽略连续交互的动态，并独立地考虑每个交互。在这里，我们建议使用马尔可夫决策过程（MDP）来建模迭代交互式图像分割，并使用强化学习（RL）来解决它，其中每个体素都被视为代理。考虑到体素级预测的探索空间大以及相邻体素之间的依赖性，采用了多智能体强化学习，其中体素级策略在智能体之间共享。考虑到边界体素对于分割更重要，我们进一步引入了边界感知奖励，该奖励由相对交叉熵增益形式的全局奖励和相对权重形式的边界奖励组成，以在约束方向上更新策略，以强调边界预测的正确性。为了结合不同类型的相互作用的优点，即，简单和有效的点击，和稳定和强大的涂鸦，我们提出了一个基于超体素点击的交互设计。在四个基准数据集上的实验结果表明，该方法显着优于最先进的，具有更少的交互，更高的准确性和增强的鲁棒性的优势。
2023-03-19 cs.AI cs.CV
Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning
Tencent Research（腾讯研究院）；Tsinghua University（清华大学）；Nvidia（英伟达）；University of California at Merced（加州大学默塞德分校）；University of Science and Technology Beijing（北京科技大学）
弱监督语义分割是一项具有挑战性的任务，因为没有提供用于训练的逐像素标签信息。最近的方法已经利用分类网络通过选择具有强响应的区域来定位对象。虽然这样的响应图提供稀疏信息，但是，在自然图像中的像素之间存在强的成对关系，其可以用于将稀疏图传播到更密集的图。在本文中，我们提出了一种迭代算法来学习这种成对关系，它由两个分支组成，一个一元分割网络，学习每个像素的标签概率，和一个成对的亲和网络，学习亲和矩阵，并细化从一元网络生成的概率图。然后，将成对网络的细化结果作为监督，对一元网络进行训练，并迭代进行，以逐步获得更好的分割。为了在没有精确注释的情况下学习可靠的像素相似度，我们还提出了挖掘置信区域。我们表明，迭代训练这个框架相当于优化能量函数，收敛到局部最小值。在PASCAL VOC 2012和COCO数据集上的实验结果表明，该算法的性能优于现有的方法。
2020-02-19 cs.CV
UI-Net: Interactive Artificial Neural Networks for Iterative Image Segmentation Based on a User Model
Friedrich-Alexander University Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；Graduate School in Advanced Optical Technologies (SAOT)（先进光学技术研究生院）；Siemens Healthcare GmbH（西门子医疗有限公司）
对于复杂的分割任务，全自动系统在其提取相关对象的可实现精度方面固有地受到限制。特别是在仅需要处理少量数据集以获得高度准确结果的情况下，半自动分割技术为用户带来了明显的好处。一个应用领域是在单个患者的介入期间的医学图像处理。我们提出了一种基于学习的合作分割方法，其中包括计算实体以及用户到任务。我们的系统建立在最先进的全卷积人工神经网络（FCN）以及用于训练的活跃用户模型之上。在分割过程期间，经训练的系统的用户可以迭代地以图画涂鸦的形式将附加提示作为种子点添加到FCN系统中，以实现交互式且精确的分割结果。评价了交互式FCNs的分割质量。与没有用户输入通道组件的网络相比，迭代FCN方法可以产生更好的结果，这是由于每次交互后分割质量的一致改善。
2017-09-11 cs.AI cs.CV cs.LG
An Interactive Medical Image Segmentation Framework Using Iterative Refinement
在临床评估中，经常对医学图像进行图像分割以识别疾病。因此，它已成为主要的研究领域之一。传统的图像分割技术不能提供令人满意的分割结果的医学图像，因为它们包含的不规则性。在分割之前需要对它们进行预处理。为了得到最适合医学图像分割的方法，我们提出了一种两阶段算法。第一阶段使用数学形态学自动生成感兴趣区域的二进制标记图像。该标记用作第二阶段的掩模图像，第二阶段在输入图像上使用GrabCut，从而产生有效的分割结果。所获得的结果可以通过使用图形用户界面（GUI）进行的用户交互来进一步细化。实验结果表明，该方法是准确的，并提供了令人满意的分割结果与最小的用户交互的医学以及自然图像。
2016-06-05 cs.CV cs.HC
Minimizing Labeling Effort for Tree Skeleton Segmentation using an Automated Iterative Training Methodology
Monash University（莫纳什大学）
用于语义分割的卷积神经网络的训练需要精确的逐像素标记，这需要大量的人工努力。人在回路方法减少了标记工作;然而，它需要对每个图像进行人为干预。本文描述了一种通用的语义分割迭代训练方法，自动循环。这旨在通过自动化过程复制人工在环方法的手动调整，从而大大减少标记工作。使用检测部分被遮挡的苹果树分割的应用程序，我们比较了手动标记的注释，自我训练，人在回路中，和自动化回路方法在训练的卷积神经网络的质量，以及创建它们所需的努力。卷积神经网络（U-Net）的性能进行了分析，使用传统的度量和一个新的度量，完整的网格扫描，提高连接性和低噪声。结果表明，在我们的应用程序中，新的自动循环方法大大减少了标记的努力，同时产生相当的性能，人类在循环和完整的手动标记方法。
2021-08-09 cs.CV
Weakly-Supervised Semantic Segmentation by Iteratively Mining Common Object Features
Tsinghua University（清华大学）；DATA61-CSIRO（联邦科学与工业研究组织DATA61）；Australian National University（澳大利亚国立大学）
图像标签监督下的弱监督语义分割是一项具有挑战性的任务，因为它直接将高层语义与低层外观相关联。为了弥合这一差距，在本文中，我们提出了一个迭代的自下而上和自上而下的框架，交替扩展对象区域和优化分割网络。我们从分类网络产生的初始定位开始。虽然分类网络只对小而粗的区分对象区域做出响应，但我们认为，这些区域包含有关对象的重要共同特征。因此，在自底向上的步骤中，我们从初始定位中挖掘共同的对象特征，并使用挖掘的特征扩展对象区域。为了补充非歧视性的区域，显着图，然后考虑贝叶斯框架下细化对象区域。然后在自顶向下的步骤中，细化的对象区域被用作监督来训练分割网络并预测对象掩模。这些对象掩模提供更准确的定位，并包含更多的对象区域。此外，我们把这些对象掩码作为初始定位，并从中挖掘共同的对象特征。这些过程迭代进行，以逐步产生精细的对象掩模并优化分割网络。在Pascal VOC 2012数据集上的实验结果表明，该方法的性能明显优于现有的方法.
2018-06-12 cs.CV
IMENet: Joint 3D Semantic Scene Completion and 2D Semantic Segmentation through Iterative Mutual Enhancement
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
3D语义场景完成和2D语义分割是两个紧密相关的任务，它们对于室内场景理解都是必不可少的，因为它们使用正相关的高级特征来预测相同的语义类。目前的方法使用从早期融合的RGB-D图像中提取的2D特征进行2D分割，以提高3D场景的完整性。我们认为，这种顺序的计划并不能确保这两个任务完全受益于对方，并提出了一个迭代相互增强网络（IMENet）来解决他们联合，互动细化这两个任务在后期预测阶段。具体而言，两个细化模块下开发的两个任务的统一框架。第一个是2D可变形上下文金字塔（DCP）模块，其接收来自当前3D预测的投影以细化2D预测。进而，提出了3D可变形深度注意力（DDA）模块，以利用来自2D预测的重新投影结果来更新粗略的3D预测。这种迭代融合发生在后期阶段两个任务的稳定高级特征上。在NYU和NYUCAD数据集上的大量实验验证了所提出的迭代后期融合方案的有效性，并且我们的方法在3D语义场景完成和2D语义分割方面都优于现有技术。
2021-06-29 cs.CV
iSeg: An Iterative Refinement-based Framework for Training-free Segmentation
School of Electrical and Information Engineering, Tianjin University（天津大学电气与信息工程学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件工程学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Linkoping University（林雪平大学）
本研究针对免训练分割任务，提出基于迭代优化的iSeg框架，通过熵降低自注意力模块和类别增强交叉注意力模块充分利用自注意力信息，在Cityscapes无监督语义分割上较现有最优免训练方法提升3.8% mIoU。
2024-10-08 cs.CV
Foundation Model-guided Iteratively Prompting and Pseudo-Labeling for Partially Labeled Medical Image Segmentation
Department of Biomedical Engineering, Columbia University（哥伦比亚大学生物医学工程系）；Department of Radiation Oncology, Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心放射肿瘤科）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；Herbert Irving Comprehensive Cancer Center, Columbia University（哥伦比亚大学赫伯特·欧文综合癌症中心）；Department of Radiation Oncology, Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院放射肿瘤科）
本文提出IPnP框架，通过训练网络与冻结基础模型协作，迭代生成并优化未标注器官的伪标签，提升部分标注条件下医学图像分割性能。
2026-04-01 cs.CV
Rapid model transfer for medical image segmentation via iterative human-in-the-loop update: from labelled public to unlabelled clinical datasets for multi-organ segmentation in CT
The Chinese University of Hong Kong（香港中文大学）；The First Hospital of Jilin University（吉林大学第一医院）
尽管深度学习在医学图像分析方面取得了显着的成功，但如何将AI模型从一个数据集快速转移到另一个数据集以用于临床应用仍在探索中。本文提出了一种新的和通用的人在循环计划，有效地将分割模型从一个小规模的标记数据集转移到一个大规模的未标记的数据集在CT多器官分割。为了实现这一点，我们建议使用一个点火器网络，它可以从一个小规模的标记数据集学习，并生成粗略的注释来启动人机交互的过程。然后，我们为我们的大规模数据集使用一个sustainer网络，并在新的注释数据上迭代更新它。此外，我们提出了一个灵活的标签策略的注释器，以减少初始的注释工作量。报告和分析了在我们的私人数据集上评估的每个主题的模型性能和注释的时间成本。实验结果表明，该方法不仅能在Dice上提高性能19.7%，而且在模型传输过程中，每个CT体积的人工标记时间从13.87 min缩短到1.51 min，具有良好的临床应用前景。
2022-04-13 cs.CV
An Iterative Spanning Forest Framework for Superpixel Segmentation
University of Campinas（坎皮纳斯大学）；Jadavpur University（贾达普大学）；University of São Paulo（圣保罗大学）
超像素分割已成为图像处理中的一个重要研究课题。在本文中，我们提出了一个迭代生成森林（ISF）框架，基于图像森林变换序列，其中可以选择i）种子采样策略，ii）连接函数，iii）邻接关系，iv）种子像素重新计算过程，以每次迭代生成改进的连接超像素（3D中的超体素）集。ISF中的超像素在结构上对应于以这些种子为根的生成树。我们提出了五种ISF方法来说明其组件的不同选择。这些方法进行了比较，从国家的最先进的有效性和效率的方法。实验涉及具有不同特征的2D和3D数据集，以及一个高级应用程序，名为天空图像分割。ISF的理论特性在补充材料中得到了证明，结果表明，它的一些方法在有效性和效率方面与最佳基线竞争或优于最佳基线。
2018-01-30 cs.CV
Guaranteeing Convergence of Iterative Skewed Voting Algorithms for Image Segmentation
Georgia Institute of Technology（佐治亚理工学院）；PES School of Engineering（PES工程学院）；Air Force Institute of Technology（空军理工学院）；Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们提供了严格的收敛性证明的迭代投票为基础的图像分割算法称为主动面具。主动掩模（AM）被提出来解决从荧光显微镜图像中描绘细胞点状图案的挑战性任务。AM的每次迭代都由一个线性卷积和一个非线性阈值组成;在我们的例子中，这个过程的特殊之处在于附加项的存在，其作用是在先验信息可用时“扭曲”投票。在现实世界的实现中，AM算法总是收敛到一个不动点。我们研究的行为AM严格，并提出了这种收敛的证明。其关键思想是制定AM作为一个广义（并行）多数元胞自动机，从离散动力系统适应证明技术。
2011-02-21 cs.CV math.FA nlin.CG
Image Segmentation by Iterative Inference from Conditional Score Estimation
Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；Imagia Cybernetics（Imagia Cybernetics 公司）
受虚拟皮层中前馈和迭代计算相结合的启发，并利用去噪自动编码器估计联合分布得分的能力，我们提出了一种新的迭代推理方法，用于捕获和利用以某些输入变量为条件的输出变量的复杂联合分布。这种方法被应用到图像逐像素分割，与估计的条件得分用于执行梯度上升到估计的条件分布的模式。这扩展了先前通过对自动编码器进行去噪来进行分数估计的工作到条件分布的情况下，使用损坏的前馈预测器代替高斯损坏。这种方法相对于对结构化输出（如条件随机场（CRF））执行迭代推理的更经典的方法的优点在于，不再需要定义连接输出变量的显式能量函数。为了保持计算易于处理，这种能量函数参数化通常受到相当的约束，仅涉及每个团中每个输出变量的几个邻居。我们的实验发现，所提出的迭代推理从有条件的去噪自动编码器的条件得分估计比可比模型的基础上CRF或那些不使用任何显式建模的条件联合分布的输出更好。
2017-08-18 cs.CV
Iterative, Deep Synthetic Aperture Sonar Image Segmentation
Pennsylvania State University（宾夕法尼亚州立大学）；Applied Research Laboratory（应用研究实验室）
合成孔径声纳（SAS）系统产生高分辨率的海底环境图像。此外，深度学习在寻找用于自动化图像分析的鲁棒特征方面表现出了卓越的能力。然而，深度学习的成功取决于具有大量标记的训练数据，但是获得SAS图像的大量像素级注释实际上通常是不可行的。到目前为止，这一挑战限制了深度学习方法在SAS分割中的应用。存在以无监督方式分割SAS图像的算法，但它们缺乏最先进的学习方法的益处，并且结果存在显著的改进空间。鉴于上述情况，我们提出了一种结合超像素形成、深度学习和传统聚类方法的新的无监督SAS图像分割迭代算法。我们称之为迭代深度无监督分割（IDUS）。IDUS是一个无监督学习框架，可以分为四个主要步骤：1）深度网络估计类分配。2)来自深度网络的低级图像特征被聚类为超像素。3)使用$k$均值将超像素聚类到类分配（我们称之为伪标签）中。4)产生的伪标签用于深度网络预测的损失反向传播。迭代地执行这四个步骤直到收敛。IDUS与当前最先进的方法在SAS图像分割的现实基准数据集上的比较证明了我们的建议的好处，即使IDUS在推理（测试图像的实际标记）期间产生的计算负担要低得多。最后，我们还开发了一个半监督（SS）的IDUS扩展称为IDSS，并通过实验证明，它可以进一步提高性能，同时优于监督的替代方案，利用相同的标记训练图像。
2022-03-28 cs.CV
Iterative Few-shot Semantic Segmentation from Image Label Text
Tencent Youtu Lab（腾讯优图实验室）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
Few-Shot语义分割的目的是学习分割看不见的类对象的指导下，只有少数支持图像。大多数以前的方法依赖于支持图像的像素级标签。在本文中，我们专注于一个更具挑战性的设置，其中只有图像级标签可用。我们提出了一个通用的框架，首先生成粗掩模的帮助下，强大的视觉语言模型CLIP，然后迭代和相互细化的掩模预测的支持和查询图像。在PASCAL-5i和COCO-20 i数据集上进行的大量实验表明，我们的方法不仅比最先进的弱监督方法性能好得多，而且还取得了与最近的监督方法相当或更好的结果。此外，我们的方法具有良好的泛化能力的图像在野生和罕见的类。代码将在https://github.com/Whileherham/IMR-HSNet上提供。
2023-03-10 cs.CV
Iterative Instance Segmentation
UC Berkeley（加州大学伯克利分校）；Facebook AI Research（脸书人工智能研究院）
用于逐像素标记任务的现有方法通常忽略标记的底层结构，通常导致视觉上难以置信的预测。虽然将结构纳入模型应该可以提高预测质量，但这样做具有挑战性-手动指定结构约束的形式可能不切实际，即使给出了结构约束，推理也往往变得难以处理。我们回避这个问题，通过减少结构化预测的一系列无约束的预测问题，并证明这种方法是能够自动发现先验的形状，连续的区域预测和光滑的区域轮廓的数据，没有任何先验规范。在实例分割任务上，该方法优于现有技术，在50%重叠时实现平均$\mathrm{AP}^{r}$ 63.6%，在70%重叠时实现平均43.3%。
2016-06-10 cs.CV cs.LG
VLM-Guided Iterative Refinement for Surgical Image Segmentation with Foundation Models
School of Automation Science and Engineering, South China University of Technology, Guangzhou, China（自动化科学与工程学院，华南理工大学，广州，中国）；Vanderbilt University, Nashville, TN, USA（范德比尔特大学，纳什维尔，田纳西州，美国）；The Pennsylvania State University, University Park, PA , USA（宾夕法尼亚州立大学，大学园，宾夕法尼亚州，美国）；Peking University, Beijing , China（北京大学，北京，中国）；Virginia Commonwealth University, Richmond, VA, USA（弗吉尼亚共同wealth大学，里士满，弗吉尼亚州，美国）；University of California San Diego, San Diego, CA, USA（加州大学圣地亚哥分校，圣地亚哥，加利福尼亚州，美国）
本文提出IR-SIS，一种基于自然语言描述的手术图像分割迭代细化系统，结合视觉-语言模型和自适应工作流，实现高精度分割与临床交互。
2026-02-09 cs.AI cs.CV cs.MA
CFR-ICL: Cascade-Forward Refinement with Iterative Click Loss for Interactive Image Segmentation
University of Idaho（爱达荷大学）；Idaho National Laboratory（爱达荷国家实验室）
针对交互式图像分割中推理规则僵化、需独立细化模型及点击数与性能难平衡的问题，提出融合 CFR、ICL 与 SUEM 的统一框架，在五个数据集上达到最先进水平并显著减少点击次数。
2024-03-04 cs.CV
ItNet: iterative neural networks with small graphs for accurate, efficient and anytime semantic segmentation
Bosch Center for Artificial Intelligence（博世人工智能中心）
深度神经网络通常必须被压缩和加速，以便在低功耗（例如移动）设备中使用。最近，开发了通过利用存储器内计算以低功率提供高吞吐量和低延迟的并行硬件加速器。然而，为了利用这些优点，神经网络的计算图必须适合这些硬件系统的计算中存储器，该计算中存储器通常在大小上相当有限。在这项研究中，我们介绍了一类网络模型，有一个小的内存占用方面的计算图。为此，图被设计为通过迭代地执行单个网络构建块来包含循环。此外，这些所谓的迭代神经网络的准确性和延迟之间的权衡通过在训练和推理期间添加多个中间输出来改进。我们在CamVid和Cityscapes数据集上展示了最先进的语义分割结果，这些数据集在计算资源方面要求特别高。在消融研究中，研究了通过中间网络输出来改善网络训练以及在迭代过程中权重共享与网络大小之间的权衡。
2021-08-03 cs.AR cs.CV cs.LG
Iterative Event-based Motion Segmentation by Variational Contrast Maximization
Keio University（庆应大学）；Technische Universität Berlin（柏林技术大学）；Einstein Center Digital Future（爱因斯坦数字未来研究中心）；Science of Intelligence Excellence Cluster, Germany（德国智能科学卓越集群）
本文提出一种基于变分对比最大化的迭代式事件运动分割方法，将事件分类为背景和前景，在移动目标检测基准上精度提升超30%，并适用于复杂噪声场景。
2025-04-25 cs.AI cs.CV eess.IV
Spectral Image Segmentation with Global Appearance Modeling
Haverford College（哈弗福德学院）；Brown University（布朗大学）
我们介绍了一种新的光谱图像分割方法，结合了全球外观建模的长程关系。该方法结合了两个不同的图，一个是稀疏图，捕获附近像素之间的空间关系，另一个是密集图，捕获所有像素对之间的成对相似性。我们扩展了规范化切割的谱方法，通过结合与每个图相关联的马尔可夫链的转移矩阵。我们还得到了一个有效的方法稀疏稠密图的外观关系。这导致了一个实用的算法分割高分辨率图像。所得到的方法可以分割具有挑战性的图像，而无需任何滤波或预处理。
2022-10-06 cs.CV cs.LG eess.IV
Non-Iterative Scribble-Supervised Learning with Pacing Pseudo-Masks for Medical Image Segmentation
Shenzhen University（深圳大学）；Tianjin University（天津大学）
针对涂鸦监督医学图像分割中迭代伪掩码训练笨重且易受错误标签影响的问题，提出非迭代 PacingPseudo，通过孪生一致性训练、熵正则化、失真增强和记忆库提升性能。
2023-09-28 cs.CV
IGL-DT: Iterative Global-Local Feature Learning with Dual-Teacher Semantic Segmentation Framework under Limited Annotation Scheme
National Chung Cheng University（国立 Chung Cheng 大学）；Posts and Telecommunications Institute of Technology（邮电研究所）；Université de Bourgogne（布尔格ogne大学）；Institut de Science Financière et d’Assurances（金融与保险研究所）；University of Information Technology（信息科技大学）
针对半监督语义分割中全局与局部特征不平衡的问题，提出IGL-DT双教师三分支框架，结合SwinUnet与ResUnet及差异学习，在基准数据集上超越现有方法。
2025-05-24 cs.AI cs.CV
Iterative Loop Method Combining Active and Semi-Supervised Learning for Domain Adaptive Semantic Segmentation
Beijing Jiaotong University（北京交通大学）
语义分割是智能交通系统环境感知的重要技术。随着卷积神经网络（CNN）的迅速发展，道路景物分析通常可以在源域取得令人满意的结果。然而，保证良好的推广到不同的目标领域的情况下仍然是一个重大的挑战。最近，已经提出了半监督学习和主动学习来缓解这个问题。半监督学习可以在大量未标记数据的情况下提高模型精度，但在有限或不平衡的训练数据下会产生含有噪声的伪标记。如果没有人类的指导，就会有次优的模型。主动学习可以选择更有效的数据进行干预，但由于没有利用海量的未标记数据，模型精度得不到提高。当领域差异过大时，查询次优样本的概率会增加，从而增加标注成本。本文提出了一种结合主动学习和半监督学习的迭代循环方法，用于领域自适应语义分割。该方法首先利用半监督学习海量未标记数据，提高模型精度，为主动学习提供更准确的选择模型。其次，结合主动学习的预测不确定性样本选择策略，采用人工干预的方式对伪标签进行修正。最后，灵活的迭代循环以最小的标记成本实现最佳性能。广泛的实验表明，我们的方法在GTAV到Cityscapes、SYNTHIA到Cityscapes的任务上建立了最先进的性能，与之前的最佳方法相比，分别提高了4.9% mIoU和5.2% mIoU。
2023-03-14 cs.CV
NegCut: Automatic Image Segmentation based on MRF-MAP
Beihang University（北京航空航天大学）
求解马尔可夫随机场的最大后验概率（MRF-MAP）是近年来交互式图像分割工具中的一种主流方法。尽管MRF-MAP的计算目标在数学上是明确的，并且分割质量令人印象深刻，但如果没有用户的交互信息，MRF-MAP很难实现。因此，它很少被采用的自动风格，直到今天。在本文中，我们提出了一种自动图像分割算法，NegCut，基于近似MRF-MAP。首先证明了在概率模型未知的情况下MRF-MAP是NP-难的，然后给出了一个近似函数，该近似函数以负权图的最小割的形式表示。最后，从目标矩阵的最大特征向量中提取二进制分割，并使用Lanczos特征解算器的调整版本。在我们的实验中，它在分割质量上具有竞争力。
2012-01-16 cs.CV
Superpixel Segmentation using Dynamic and Iterative Spanning Forest
University of Campinas (UNICAMP)（坎皮纳斯大学）；Pontificial Catholic University of Minas Gerais (PUC-Minas)（米纳斯吉拉斯天主教大学）
作为图像对象的组成部分，超像素可以改进几个更高级别的操作。然而，图像分割方法的准确性可能会因超像素数量的减少而严重受损。我们研究了基于迭代生成森林（ISF）框架的解决方案。在这项工作中，我们提出了动态ISF（DISF）-基于以下步骤的方法。(a)它从一个图像图和一个种子集开始，该种子集的像素比所需的超像素数量要多得多。(b)种子之间相互竞争，每个种子都征服了其最紧密连接的像素，从而产生了具有连接超像素的图像分区（跨越森林）。在步骤（c）中，DISF基于超像素分析将相关值分配给种子，并移除最不相关的种子。重复步骤（b）和（c），直到达到所需数量的超像素。与区域合并算法相比，DISF有机会在每次迭代后重建相关边缘。与其他基于种子的超像素方法相比，DISF更有可能找到相关种子。它还介绍了动态弧权重估计的ISF框架更有效的超像素划定，我们展示了三个数据集上的所有结果具有不同的对象属性。
2020-07-08 cs.CV
Distributed Iterative Gating Networks for Semantic Segmentation
York University（约克大学）；Ryerson University（瑞尔森大学）；Vector Institute for Artificial Intelligence（人工智能向量研究所）
在本文中，我们提出了一个规范的结构，用于控制神经网络中的信息流与有效的反馈路由机制的基础上的分布式迭代选通（DIGNet）的战略。该机制的结构源于强大的概念基础，并通过将反馈信号与前馈架构相结合，提出了一种类似于递归卷积神经网络的自适应计算控制的轻量级机制。与其他RNN公式相比，DIGNet以级联方式生成反馈信号，隐含地携带来自上面所有层的信息。这种级联的反馈传播的传播门的装置被发现是更有效的相比，其他的反馈机制，使用的反馈从相应的阶段或从前一级的输出。实验表明，这种具有级联反馈的递归方法在三个具有挑战性的数据集PASCAL VOC 2012、COCO-Stuff和ADE 20 K上的前馈基线和其他递归模型上具有很高的能力。
2019-09-28 cs.CV
An Iterative Classification and Semantic Segmentation Network for Old Landslide Detection Using High-Resolution Remote Sensing Images
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Institute of Technology（北京理工大学）；China Aero Geophysical Survey and Remote Sensing Center for Natural Resources（中国自然资源航空物探遥感中心）；La Trobe University（乐卓博大学）
针对古滑坡形态难辨与小样本难题，提出ICSSN，通过共享特征提取器、OCL、SOCL及迭代训练融合语义特征，显著提升检测分类与分割性能。
2023-04-24 cs.AI cs.CV
On the iterative refinement of densely connected representation levels for semantic segmentation
Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）；Computer Vision Center, Barcelona（巴塞罗那计算机视觉中心）；Facebook AI Research（Facebook人工智能研究）
最先进的语义分割方法通过使用由池化/跨步卷积或连续扩张卷积组成的下采样路径来增加其模型的感受域。但是，不清楚哪种手术会产生最佳效果。在本文中，我们系统地研究了不同的感受野扩大方法引入的差异及其对一种新架构（称为全卷积DenseResNet（FC-DRN））性能的影响。FC-DRN具有由残余网络组成的密集连接的骨干。在标准的图像分割架构之后，改变表示水平的感受野放大操作在残差网络之间交错。这使得该模型能够利用残差和密集连接模式的优势，即：梯度流，表示的迭代细化，多尺度特征组合和深度监督。为了突出我们模型的潜力，我们在具有挑战性的CamVid城市场景理解基准上对其进行了测试，并得出以下观察结果：1）当模型从头开始训练时，下采样操作优于膨胀，2）膨胀在模型的微调步骤期间是有用的，3）较粗糙的表示需要较少的细化步骤，以及4）ResNets（通过模型构造）是很好的正则化器，因为它们可以在需要时减少模型容量。最后，我们将我们的架构与其他方法进行了比较，并在Camvid数据集上报告了最先进的结果，参数至少减少了两倍。
2018-04-30 cs.CV
Multi-Modal Mutual Attention and Iterative Interaction for Referring Image Segmentation
针对指代图像分割中Transformer输出特征被视觉信息主导的问题，提出多模态互注意力与互解码器实现深度视觉语言融合，并引入迭代多模态交互和语言特征重构防止语言信息丢失，在RefCOCO数据集上取得SOTA性能。
2023-05-24 cs.CV
Power-Law Graph Cuts
The Ohio State University（俄亥俄州立大学）
基于谱图切割目标的算法，如归一化切割，比率切割和比率关联，近年来已经变得流行，因为它们具有广泛的适用性和简单的实现通过标准的特征向量计算。尽管一些聚类任务的性能很强，谱图切割算法仍然受到几个限制：首先，它们需要预先知道聚类的数量，但这些信息通常是先验未知的;其次，它们倾向于产生具有统一大小的聚类。在某些情况下，真正的集群表现出已知的大小分布;例如，在图像分割中，人类分割的图像往往会产生遵循幂律分布的片段大小。在本文中，我们提出了一个一般框架的幂律图切割算法，产生的集群的大小是幂律分布，也不固定的集群的数量。为了实现我们的目标，我们把Pitman-Yor可交换分区概率函数（EPPF）作为一个正则化图形切割目标。由于由此产生的目标不能通过放松特征向量来解决，我们推导出一个简单的迭代算法来局部优化目标。此外，我们表明，我们提出的算法可以被视为执行MAP推理一个特定的Pitman-Yor混合模型。我们在各种数据集上的实验表明了我们算法的有效性。
2014-11-25 cs.CV cs.LG stat.ML
A Parallel Framework for Parametric Maximum Flow Problems in Image Segmentation
Institute of Mathematics of the Romanian Academy（罗马尼亚科学院数学研究所）；Lund University（隆德大学）
本文提出了一个框架，支持并行解决方案的实施广泛的参数最大流计算例程中使用的图像分割算法。该框架基于超图，超图是一种将多个图像图组合成一个更大的图像图的特殊构造，并且可以在各种架构（多核或GPU）上工作，无论是本地还是远程计算节点集群。该框架也可用于最大流算法并行实现的性能评估。我们提出了一个国家的最先进的图像分割算法的基础上，图形切割，约束参数最小切割（CPMC），使用并行框架来解决参数的最大流问题，基于GPU实现的著名的推重新标记算法的案例研究。我们的研究结果表明，基于所提出的技术的实时实现是可能的。
2015-12-07 cs.CV
IGraSS: Learning to Identify Infrastructure Networks from Satellite Imagery by Iterative Graph-constrained Semantic Segmentation
Biocomplexity Institute, University of Virginia（弗吉尼亚大学生物复杂性研究所）；Department of Computer Science, University of Virginia（弗吉尼亚大学计算机科学系）；Department Biomedical Systems Engineering, Washington State University（华盛顿州立大学生物医学系统工程系）；Earth System Science Center, University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校地球系统科学中心）
提出IGraSS迭代框架，结合语义分割与图约束优化，将不可达运河段从18%降至3%，并提升道路网络完整性。
2025-06-11 cs.AI cs.CV
Fast Constraint Propagation for Image Segmentation
Renmin University of China（中国人民大学）
本文提出了一种新的选择性约束传播方法用于约束图像分割。在文献中，许多成对的约束传播方法已经开发出利用成对约束聚类分析。然而，由于这些方法中的大多数具有多项式时间复杂度，因此它们不太适合于即使具有中等大小的图像的分割，这实际上等同于具有大数据大小的聚类分析。考虑到自然图像的局部粗糙性，我们选择只在选定的像素子集上执行成对约束传播，而不是在整个图像上。这样的选择性约束传播问题，然后解决了一个有效的基于图的学习算法。为了进一步加快我们的选择性约束传播，我们还在基于图的学习过程中丢弃了那些不太重要的传播约束。最后，利用选择性传播的约束的基础上$L_1$ -最小化归一化削减整个图像。实验结果表明，所提出的方法的分割与选择性传播的约束有前途的性能。
2015-02-05 cs.CV
Unsupervised Automated Event Detection using an Iterative Clustering based Segmentation Approach
Shell Technology Centre（壳牌技术中心）
一类研究较少的视觉问题包括从基于物理的实验中获得的图像中检测物体。这些对象可以在4D（x，y，z，t）中跨越，并且在背景分布近似均匀的图像中作为干扰（由于物理现象引起）可见。这种物体有时被称为“事件”，可以被认为是图像中的高能斑点。与传统视觉问题中分析的图像不同，与这些事件相关的特征非常有限，它们的形状，大小和数量可能会有很大差异。这对使用从监督方法获得的预训练模型提出了挑战。在本文中，我们提出了一种无监督的方法，涉及基于迭代聚类的分割（ICS），可以检测目标对象（事件）的实时。在这种方法中，测试图像在几个周期内进行分析，并且每个周期识别一个事件。每个循环包括以下步骤：（1）使用改进的k均值聚类方法进行图像分割，（2）基于每个片段的统计分析消除空（无事件）片段，（3）合并重叠（对应于相同事件）的片段，以及（4）选择最强事件。重复这四个步骤，直到识别出所有事件。ICS方法由几个超参数组成，这些超参数是基于对一组测试图像进行的统计研究而选择的。ICS方法的适用性证明了几个2D和3D的测试例子。
2019-01-22 cs.AI cs.CV cs.LG
Stopping Criterion for the Mean Shift Iterative Algorithm
Institute of Cybernetics, Mathematics and Physics（控制论、数学与物理研究所）
图像分割是计算机视觉任务中的一个关键步骤，构成了模式识别和视觉解释的基本问题。在本文中，我们提出了一个新的停止准则的均值漂移迭代算法使用的图像定义在Zn环，达到更好的分割的目标。我们还进行了两个图像之间的等价类的弱和强的研究。并对新的停止准则的收敛性进行了分析。
2013-06-11 cs.CV math.RA
Multiscale Combinatorial Grouping for Image Segmentation and Object Proposal Generation
Universitat Politècnica de Catalunya, BarcelonaTech (UPC)（加泰罗尼亚理工大学（巴塞罗那理工））；Universidad de los Andes（洛斯安第斯大学）；University of California at Berkeley（加州大学伯克利分校）
我们提出了一个统一的方法，自下而上的分层图像分割和对象的建议生成识别，称为多尺度组合识别（MCG）。为此，我们首先开发了一个快速的归一化切割算法。然后，我们提出了一个高性能的分层分割，有效地利用多尺度信息。最后，我们提出了一种分组策略，通过有效地探索其组合空间，将我们的多尺度区域组合成高度准确的对象建议。我们还介绍了单尺度组合优化（SCG），这是MCG的更快版本，可以在每幅图像5秒内生成有竞争力的提案。我们对BSDS 500，SegVOC12，SBD和COCO数据集进行了广泛而全面的实证验证，表明MCG产生了最先进的轮廓，分层区域和对象建议。
2016-03-01 cs.CV
