Voronoi Region-Based Adaptive Unsupervised Color Image Segmentation
University of Manitoba（曼尼托巴大学）；Adiyaman University（阿迪亚曼大学）
彩色图像分割是许多计算机视觉和模式识别应用中的关键步骤。提出了一种基于Voronoi区域的自适应无监督聚类方法，用于解决彩色图像分割问题。该方法在Dirichlet Tessellated图像（也称为沃罗诺伊图）的Voronoi区域内进行区域分裂和合并，提高了聚类数和聚类中心估计过程的效率和准确性。此外，所提出的方法使用聚类质心邻近合并邻近的聚类，以找到最终的聚类和聚类质心的数量。与现有的自适应无监督聚类图像分割算法相比，该方法采用K-means聚类算法代替模糊C-means算法来寻找最终的分割图像。在三个不同的无监督图像分割评价基准上对该方法进行了评价，并将其结果与其他两种自适应无监督聚类图像分割算法进行了比较。实验结果表明，该方法在图像分割质量方面优于现有算法。此外，所提出的方法的结果在最低的平均执行时间每幅图像相比，现有的方法在这篇文章中报道。
2016-04-02 cs.CV
Contrastive Registration for Unsupervised Medical Image Segmentation
University of Cambridge（剑桥大学）
医学图像分割是一个相关的任务，因为它是许多诊断过程的第一步，因此在临床应用中是不可缺少的。虽然使用监督技术已经取得了重大成功，但它们假设了一个大型且具有代表性的标记集。这是医学领域的一个强有力的假设，在医学领域，注释是昂贵的，耗时的，并且是人类偏见所固有的。为了解决这个问题，文献中已经提出了无监督技术，但由于学习任何转换模式的困难，它仍然是一个开放的问题。在这项工作中，我们提出了一种新的优化模型框架到一个新的基于CNN的对比注册架构的无监督医学图像分割。我们的方法的核心是利用图像级配准和特征级的对比学习机制，执行基于配准的分割。首先，我们提出了一个架构，捕捉图像到图像的转换模式，通过注册的无监督医学图像分割。其次，我们在注册结构中嵌入了一个对比学习机制，以提高网络在特征层的识别能力。我们表明，我们提出的技术减轻了现有的无监督技术的主要缺点。我们通过数值和视觉实验证明，我们的技术在两个主要的医学图像数据集上的性能大大优于当前最先进的无监督分割方法。
2022-07-20 cs.CV
UnScene3D: Unsupervised 3D Instance Segmentation for Indoor Scenes
Technical University of Munich（慕尼黑工业大学）；Technion（以色列理工学院）；NVIDIA（英伟达）
UnScene3D提出首个全无监督室内三维实例分割方法，利用自监督颜色与几何特征生成伪掩码并结合几何过分割与自训练，将平均精度提升超过300%。
2024-04-30 cs.CV
An Unsupervised Dynamic Image Segmentation using Fuzzy Hopfield Neural Network based Genetic Algorithm
提出了一种基于遗传算法的灰度图像自动分割方法。该方法主要包括空间无监督灰度图像分割，将图像划分为区域。该算法的目的是产生精确的分割图像的强度信息以及邻域关系。本文采用模糊Hopfield神经网络（FHNN）聚类方法，生成遗传算法的种群，并利用该种群对图像进行自动分割。该技术是一种强大的图像分割方法，适用于具有空间信息的单特征和多特征数据。有效性指数已被用于引入一个强大的技术，找到最佳数量的组件在图像中。实验结果表明，该算法生成的分割图像质量较好。
2012-05-30 cs.CV
Shallow Features Guide Unsupervised Domain Adaptation for Semantic Segmentation at Class Boundaries
University of Bologna（博洛尼亚大学）
尽管深度神经网络在语义分割任务方面取得了显著的成果，但它们通常无法推广到新的领域，特别是在执行合成到真实的适应时。这样的域转移沿着类边界特别明显，使包括获得尖锐的分割掩模的语义分割的主要目标之一无效。在这项工作中，我们专门解决这个核心问题的背景下，无监督领域自适应，并提出了一种新的低层次的适应策略，使我们能够获得尖锐的预测。此外，受最近的自训练技术的启发，我们引入了一种有效的数据增强，它消除了采用伪标签进行自训练时通常存在于语义边界的噪声。我们的贡献可以很容易地集成到其他流行的自适应框架中，大量的实验表明，它们有效地提高了类边界的性能。
2021-10-06 cs.CV
W-Net: A Deep Model for Fully Unsupervised Image Segmentation
Boston University（波士顿大学）
虽然最近已经将大量注意力集中在设计用于视觉任务的监督深度语义分割算法上，但是在许多领域中难以获得足够的监督像素级标签。在本文中，我们重新审视了纯无监督图像分割的问题，并为此问题提出了一种新的深度架构。我们从监督语义分割方法中借用了最近的想法，特别是通过将两个完全卷积的网络连接在一起成为一个自动编码器-一个用于编码，一个用于解码。编码层产生k路逐像素预测，并且自动编码器的重建误差以及编码器产生的归一化切割在训练期间共同最小化。当结合适当的后处理，包括条件随机场平滑和分层分割，我们得到的算法取得了令人印象深刻的结果在基准伯克利分割数据集，优于一些竞争的方法。
2017-11-22 cs.CV
Scene-Centric Unsupervised Video Panoptic Segmentation
TU Munich（慕尼黑技术大学）；TU Darmstadt（达姆施塔特技术大学）；NVIDIA（英伟达）；University of Oxford（牛津大学）；MCML；ELIZA
提出无监督视频全景分割任务及首个方法VideoCUPS，利用深度、运动和视觉线索生成伪标签，并通过Video DropLoss训练，在无监督条件下实现准确分割。
2026-06-03 cs.CV
Joint Color-Spatial-Directional clustering and Region Merging (JCSD-RM) for unsupervised RGB-D image segmentation
Laboratoire Hubert Curien, Université Jean Monnet（让·莫奈大学于贝尔·居里实验室）
深度成像传感器的最新进展提供了对与颜色同步的深度（称为RGB-D图像）的容易访问。本文提出了一种无监督的室内RGB-D图像分割和分析方法。我们考虑一个统计图像生成模型的基础上的颜色和几何的场景。我们的方法包括一个联合颜色空间方向聚类方法，然后统计平面区域合并方法。我们在纽约大学深度数据库上评估了我们的方法，并将其与现有的无监督RGB-D分割方法进行了比较。结果表明，该方法与现有方法相比，计算时间更短。此外，它打开了有趣的视角，以无监督的方式融合颜色和几何形状。
2015-09-06 cs.CV
Understanding Self-Supervised Features for Learning Unsupervised Instance Segmentation
University of Oxford（牛津大学）
本文研究无监督实例分割中的自监督特征，发现不同SSL方法的实例感知水平存在差异，DINO特征在分离实例的敏感性上落后于MAE特征。
2023-11-24 cs.CV
Image Segmentation-based Unsupervised Multiple Objects Discovery
Université Paris-Saclay（巴黎萨克雷大学）；CEA List（法国原子能和替代能源委员会列表研究所）
无监督对象发现旨在定位图像中的对象，同时消除大多数基于深度学习的方法所需的对注释的依赖。为了解决这个问题，我们提出了一个完全无监督的，自底向上的方法，多个对象的发现。拟议的办法是一个两阶段框架。首先，利用自监督局部特征之间的图像内相似性分割对象部分的实例。第二步合并和过滤对象部分以形成完整的对象实例。后者由两个CNN模型执行，这些模型从整个数据集中捕获对象的语义信息。我们证明，我们的方法产生的伪标签提供了一个更好的精度召回权衡比现有的单一和多个对象的发现方法。特别是，我们提供了国家的最先进的无监督类不可知的目标检测和无监督图像分割的结果。
2022-12-20 cs.CV
Scene-Centric Unsupervised Panoptic Segmentation
TU Darmstadt（图宾根大学）；TU Munich（慕尼黑工业大学）；University of Oxford（牛津大学）；MCML；ELIZA
该研究针对无监督全景分割问题，提出首个直接基于以场景为中心图像训练的方法，结合视觉表示、深度和运动线索生成伪标签并采用自训练策略，在Cityscapes数据集上PQ指标较现有技术提升9.4个百分点。
2025-04-02 cs.CV
FlowCut: Unsupervised Video Instance Segmentation via Temporal Mask Matching
Computer Vision Group University of Bern（伯尔尼大学计算机视觉组）
本研究提出无监督视频实例分割方法FlowCut，通过三阶段框架构建带伪标签的数据集，在多个基准上实现了当前最优性能。
2025-05-19 cs.CV
Image Segmentation using Unsupervised Watershed Algorithm with an Over-segmentation Reduction Technique
University of Moratuwa（莫拉图瓦大学）
图像分割是将图像分割成有意义的片段的过程。由于同质性的定义根据用户的观点而变化，因此分段的含义是主观的，因此分段的自动化具有挑战性。分水岭是一种流行的分割技术，它假设图像中的地形图，每个像素的亮度代表其高度，并找到沿着山脊顶部的线条。由于缺乏对被分类对象的了解，该算法的结果通常会受到过度分割的影响。本文提出了一种通过假设目标的相邻分割段具有相似的颜色分布来减少分水岭算法过分割的方法。该方法证明了传统的分水岭算法的改进。
2018-10-09 cs.CV
Multiple Fusion Adaptation: A Strong Framework for Unsupervised Semantic Segmentation Adaptation
Baidu Research（百度研究院）
本文提出了跨领域语义分割的任务，旨在提高对未标记的目标领域的分割精度，而不会招致额外的注释。利用基于伪标签的无监督领域自适应（UDA）流水线，提出了一种新颖有效的多融合自适应（MFA）方法。MFA主要考虑三种并行信息融合策略，即，跨模型融合、时域融合和一种新的在线-离线伪标签融合。具体而言，在线-离线伪标签融合鼓励自适应训练对容易被离线伪标签忽略的困难区域给予额外的关注，从而保留更多信息细节。虽然其他两种融合策略可能看起来是标准的，但MFA在提高集成的效率和有效性方面做出了重大努力，并成功地将所有三种策略注入到一个统一的框架中。在两个广泛使用的基准上进行实验，即，GTA5-to-Cityscapes和SYNTHIA-to-Cityscapes的结果表明，我们的方法显著提高了语义分割适应性，并建立了新的最新技术水平（分别为58.2%和62.5% mIoU）。该代码将在https://github.com/KaiiZhang/MFA上提供。
2021-12-01 cs.CV
Large-scale Unsupervised Semantic Segmentation
Nankai University（南开大学）；UC Merced（加州大学默塞德分校）；Northwestern Polytechnical University（西北工业大学）；Oxford University（牛津大学）
由大型数据集提供支持，例如，ImageNet，大规模数据的无监督学习，为分类任务带来了重大进步。然而，大规模的无监督语义分割是否能够实现仍然是未知数。有两个主要挑战：i）我们需要一个大规模的基准来评估算法; ii）我们需要开发以无监督方式同时学习类别和形状表示的方法。在这项工作中，我们提出了一个新的问题，大规模无监督语义分割（LUSS）与新创建的基准数据集，以帮助研究进展。在ImageNet数据集的基础上，我们提出了ImageNet-S数据集，其中包含120万张训练图像和50 k个高质量的语义分割注释用于评估。我们的基准测试具有高度的数据多样性和明确的任务目标。我们还提出了一个简单而有效的方法，令人惊讶的LUSS工作得很好。此外，我们相应地对相关的无监督/弱监督/完全监督方法进行了基准测试，确定了LUSS的挑战和可能的方向。基准测试和源代码可在https://github.com/LUSSeg上公开获得。
2022-11-03 cs.CV
PartSTAD: 2D-to-3D Part Segmentation Task Adaptation
KRAFTON Inc.（克拉夫顿公司）；KAIST（韩国科学技术院）
PartSTAD通过任务自适应微调二维边界框模型并引入自适应合并权重及SAM改善边界，在PartNet-Mobility上显著提升少样本三维部件分割性能。
2024-07-19 cs.CV
Part2Object: Hierarchical Unsupervised 3D Instance Segmentation
School of Information Science and Technology（信息科学与技术学院）；ShanghaiTech University（上海科技大学）
针对无监督3D实例分割中聚类松紧不当导致的分割误差问题，提出带物体引导的分层聚类方法Part2Object及配套的Hi-Mask3D模型，利用2D帧的3D物体性先验引导多层聚类，在多场景下取得优于现有最优模型的性能。
2024-07-14 cs.CV
Guess What Moves: Unsupervised Video and Image Segmentation by Anticipating Motion
University of Oxford（牛津大学）
通过光流测量的运动为发现和学习图像和视频中的对象提供了强大的线索。然而，与使用外观相比，它有一些盲点，例如物体如果不移动就会变得不可见。在这项工作中，我们提出了一种方法，结合了基于运动和基于外观的分割的优势。我们建议监督图像分割网络的借口任务预测区域可能包含简单的运动模式，从而可能对应于对象。由于该模型仅使用单个图像作为输入，因此我们可以将其应用于两种设置：无监督视频分割和无监督图像分割。我们实现了国家的最先进的视频结果，并证明了我们的方法的可行性，包含新的对象的静态图像。此外，我们用不同的运动模型和光流骨干进行实验，发现该方法对这些变化具有鲁棒性。项目页面和代码可在https://www.robots.ox.ac.uk/~vgg/research/gwm获得。
2022-10-13 cs.CV
DenseMP: Unsupervised Dense Pre-training for Few-shot Medical Image Segmentation
Carnegie Mellon University（卡内基梅隆大学）；Austin Peay State University（奥斯汀佩伊州立大学）
针对小样本医学图像分割训练数据稀缺易过拟合的问题，提出含两阶段无监督稠密预训练的DenseMP流水线，可提升PA-Net性能，在Abd-CT、Abd-MRI数据集上达SOTA。
2023-07-13 cs.CV
Deep Superpixel Cut for Unsupervised Image Segmentation
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机与软件学院）；Institute of Computer Mathematics and Information Technologies, Kazan Federal University（喀山联邦大学计算机数学与信息技术研究所）
图像分割是视觉领域的一项重要任务，已经被研究了很多年。大多数早期的算法都是无监督的方法，它们使用手工制作的特征将图像划分为许多区域。近年来，由于深度学习技术的巨大成功，基于CNN的方法在图像分割方面表现出优越的性能。然而，这些方法依赖于大量的人类注释，这是昂贵的收集。在本文中，我们提出了一种深度无监督的图像分割方法，它包含以下两个阶段。首先设计一个超像素自动编码器（SuperAE）来学习深度嵌入并重建平滑图像，然后传递平滑图像生成超像素。其次，我们提出了一种新的聚类算法，称为深度超像素切割（DSC），它衡量超像素之间的深度相似性，并制定了一个软分区问题的图像分割。通过反向传播，DSC自适应地将超像素划分为感知区域。在BSDS 500数据集上的实验结果表明了该方法的有效性。
2021-03-10 cs.CV
Test-Time Adaptation with Shape Moments for Image Segmentation
ETS Montréal（蒙特利尔高等技术学院）
众所周知，监督学习在分布偏移下无法泛化。在典型的临床环境中，源数据是不可访问的，并且目标分布由少数样本表示：适应只能在测试时在少数甚至单个受试者上发生。我们研究了测试时的单主题适应分割，并提出了一个形状引导的熵最小化目标来解决这个任务。在对单个测试主题的推理过程中，我们的损失相对于批量归一化的尺度和偏差参数被最小化。我们展示了整合各种形状先验以指导适应合理解决方案的潜力，并在两个具有挑战性的场景中验证了我们的方法：心脏分割的MRI到CT适应和前列腺分割的跨站点适应。我们的方法表现出更好的性能比现有的测试时自适应方法。更令人惊讶的是，它比最先进的领域自适应方法更好，尽管它在自适应期间放弃了对额外目标数据的训练。我们的研究结果质疑了在分割适应中对目标数据进行训练的有用性，并指出了形状先验对测试时推理的实质性影响。我们的框架可以很容易地用于集成各种先验和适应任何分割网络，我们的代码是可用的。
2022-05-16 cs.CV
Ultra: Unsupervised Cross-Task Optimization for Reliable Restoration Segmentation Collaboration under Adverse Weather
Wuhan University（武汉大学）；Beijing Institute of Technology（北京理工大学）；Zhongguancun Academy（中关村学院）；Tsinghua University（清华大学）
本研究针对恶劣天气下修复-分割协作的无监督跨任务优化问题，提出Ultra框架，含CTDN与CMIL模块，在UDA-ASS基准上实现最优分割性能，还可泛化至修复与检测协作任务。
2026-08-18 cs.CV
Unsupervised Hierarchical Semantic Segmentation with Multiview Cosegmentation and Clustering Transformers
UC Berkeley（加州大学伯克利分校）；ICSI（国际计算机科学研究所）
无监督语义分割的目的是发现图像内和图像间的分组，这些分组在没有外部监督的情况下捕获类别的对象和视图不变性。自然地，分割具有不同的粒度级别，在无监督分割中产生了歧义。现有的方法避免了这种模糊性，并将其视为建模之外的一个因素，而我们拥抱它，并希望无监督分割的分层分组一致性。我们将无监督分割作为一个逐像素的特征学习问题。我们的想法是，一个好的表示不仅应该揭示特定的分组级别，而且应该以一致和可预测的方式揭示任何分组级别。我们通过同一图像的多个视图之间的共同分割来执行分组和引导特征学习的空间一致性，并通过粗粒度和细粒度特征之间的聚类Transformers来执行分组层次结构的语义一致性。我们提供了第一个数据驱动的无监督分层语义分割方法，称为分层分割（HSG）。通过捕获视觉相似性和统计共现，HSG在五个主要的以对象和场景为中心的基准测试中也大大优于现有的无监督分割方法。我们的代码可在https://github.com/twke18/HSG上公开获取。
2022-04-25 cs.CV cs.LG
Segmentation by Factorization: Unsupervised Semantic Segmentation for Pathology by Factorizing Foundation Model Features
本文提出 F-SEG，无需训练或微调即可将预训练模型（尤其病理学基础模型）的空间特征分解为掩码与概念特征，实现稳健的 H&E 病理图像无监督语义分割。
2024-09-09 cs.CV cs.LG
CUS3D :CLIP-based Unsupervised 3D Segmentation via Object-level Denoise
Beihang University（北京航空航天大学）；Tokyo Institute of Technology（东京工业大学）；Beijing Technology and Business University（北京工商大学）
本文提出CUS3D框架，通过物体级去噪投影模块和多模态蒸馏学习模块，解决2D到3D特征投影中的噪声问题，实现更准确的无监督和开放词汇3D语义分割。
2024-09-21 cs.CV cs.MM
Top-Down Unsupervised Image Segmentation (it sounds like oxymoron, but actually it is not)
模式识别通常被认为是两个反向图像处理流的交互：自下而上的信息细节收集和定位（分割）流，以及自上而下的信息特征聚合，关联和解释（识别）流。受生物视觉研究的最新证据和Kolmogorov复杂性理论的启发，我们提出了一个新的，自上而下的初始图像分割过程。我们认为，传统的自上而下的认知推理，这是应该引导分割过程的最终结果，是不是在所有的图像信息内容评估的一部分。初始图像分割当然是一个无监督的过程。我们提出了一些说明性的例子，支持我们的主张。
2005-03-01 cs.CV cs.IR
Unsupervised Medical Image Segmentation with Adversarial Networks: From Edge Diagrams to Segmentation Maps
Vector Institute（向量研究所）；McMaster University（麦克马斯特大学）
我们开发和接近无监督语义医学图像分割，扩展了以前的工作与生成对抗网络。我们使用现有的边缘检测方法来构建简单的边缘图，训练生成模型将其转换为合成医学图像，并使用提取的边缘图上的变化构建具有已知分割的合成图像的数据集。然后使用该合成数据集来训练监督图像分割模型。我们在肾脏超声图像的临床数据集和基准ISIC 2018皮肤病变数据集上测试了我们的方法。我们证明了我们的无监督方法比以前的无监督方法更准确，并且与监督图像分割模型相比表现合理。所有代码和训练模型都可以在https://github.com/kiretd/Unsupervised-MIseg上找到。
2019-11-12 cs.AI cs.CV cs.LG
Consistent estimation of the max-flow problem: Towards unsupervised image segmentation
Texas A&M University（德克萨斯农工大学）
复杂生物和制造过程的基于图像的诊断的进步使无监督图像分割成为实现自动化、动态决策的最前沿。然而，大多数现有的无监督分割方法或者计算复杂或者需要手动参数选择（例如，最大流量/最小切割分段中的流量容量）。在这项工作中，我们提出了一个完全无监督的分割方法，使用连续的最大流公式在图像域，同时最佳地估计流量参数的图像特征。更具体地说，我们表明，最大后验估计的图像标签可以制定为一个连续的最大流问题的流量是已知的。然后，通过采用一种新的马尔可夫随机场之前的图像域迭代获得的流量。我们提出的理论结果，建立后的一致性的流量。我们比较了我们的方法在两个真实案例研究中的性能，包括使用电子显微镜图像的增材制造组件中的脑肿瘤图像分割和缺陷识别。与几种最先进的监督方法以及无监督方法的比较结果表明，本方法在统计上与监督方法相似，但与最先进的无监督方法相比，Dice分数提高了90%以上。
2019-06-29 cs.CV eess.IV
HUNIS: High-Performance Unsupervised Nuclei Instance Segmentation
University of Southern California（南加州大学）
提出了一种高性能的无监督核实例分割方法。HUNIS由两个阶段的块操作组成。第一阶段包括：1）像素强度的自适应阈值化，2）核尺寸/形状先验的结合，以及3）假阳性核实例的去除。然后，HUNIS通过接收第一阶段分割的指导来进行第二阶段分割。第二阶段利用第一阶段中获得的分割掩模，并利用颜色和形状分布进行更准确的分割。两阶段设计的主要目的是提供从第一阶段到第二阶段的逐像素伪标签。这种自我监督机制新颖有效。在MoNuSeg数据集上的实验结果表明，HUNIS的性能远远优于所有其他无监督方法。它在最先进的监督方法中也具有竞争力。
2022-03-28 cs.CV eess.IV
Addressing Annotation Scarcity in Hyperspectral Brain Image Segmentation with Unsupervised Domain Adaptation
Technical University of Munich, Munich, Germany（慕尼黑技术大学）；Department of Computing, Imperial College London, London, UK（伦敦帝国学院计算机系）；Munich Center for Machine Learning (MCML), Munich, Germany（慕尼黑机器学习中心（MCML））
针对高光谱脑图像分割中标签稀缺阻碍监督训练的问题，提出结合少量专家标注数据与未标记数据的无监督域自适应深度学习框架，其性能显著优于现有方法，验证了域自适应在相关任务中的有效性。
2025-08-23 cs.CV q-bio.QM
Unsupervised Image Segmentation using Mutual Mean-Teaching
CUHK（香港中文大学）；Xiamen University（厦门大学）；Yunnan University（云南大学）
无监督图像分割的目的是将具有相似特征的像素不加标注地分配到同一个类中，是计算机视觉的一项重要任务。由于缺乏先验知识，大多数现有的模型通常需要多次训练才能获得合适的结果。为了解决这个问题，我们提出了一个无监督的图像分割模型的基础上的相互意义教学（MMT）框架，以产生更稳定的结果。此外，由于两个模型像素的标签不匹配，提出了一种基于匈牙利算法的标签对齐算法来匹配聚类标签。实验结果表明，该模型能够分割各种类型的图像，并取得了更好的性能比现有的方法。
2020-12-16 cs.AI cs.CV
Discovering Object Masks with Transformers for Unsupervised Semantic Segmentation
KU Leuven（鲁汶大学）；ETH Zurich（苏黎世联邦理工学院）
无监督语义分割的任务旨在将像素聚类成语义上有意义的组。具体来说，分配给同一个集群的像素应该共享高级语义属性，如它们的对象或部件类别。本文介绍了MaskDistill：一个新的框架，无监督的语义分割的基础上的三个关键思想。首先，我们提倡一种数据驱动的策略来生成对象掩码，作为语义分割的像素分组之前。这种方法省略了手工制作的先验，这些先验通常是为特定的场景组合而设计的，并且限制了竞争框架的适用性。其次，MaskDistill对对象掩码进行聚类，以获得用于训练初始对象分割模型的伪地面实况。第三，我们利用这个模型来过滤掉低质量的对象掩码。这种策略减轻了我们的像素分组之前的噪声，并导致一个干净的收集的面具，我们使用训练最终的分割模型。通过结合这些组件，我们可以大大优于以前的工作，无监督语义分割的PASCAL（+11% mIoU）和COCO（+4%掩码AP50）。有趣的是，与现有的方法相反，我们的框架不依赖于低级别的图像线索，也不限于以对象为中心的数据集。将提供代码和模型。
2022-06-13 cs.CV cs.LG
Pixel-Level Clustering Network for Unsupervised Image Segmentation
Seoul National University of Science and Technology（首尔科学技术院）
本文提出一种无需真实标注的像素级聚类框架，通过特征嵌入、超像素分割及多级一致性训练策略实现无监督图像分割，并在三个公开数据集上超越现有最先进方法。
2023-10-24 cs.AI cs.CV
An Unsupervised Ensemble-based Markov Random Field Approach to Microscope Cell Image Segmentation
University of Debrecen（德布勒森大学）
在本文中，我们提出了一种方法，使用马尔可夫随机场的图像无监督分割。所提出的方法是基于位平面切片的思想。我们使用的飞机作为初始标记的分割合奏。与像素投票，一个强大的分割方法，可以实现，我们证明显微镜细胞图像。我们在一个公开的数据库上测试了我们的方法，在那里它被证明是与其他方法和手动分割竞争。
2014-10-27 cs.AI cs.CV q-bio.QM
Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised Semantic Segmentation and Localization
University of Oxford（牛津大学）
无监督定位和分割是长期存在的计算机视觉挑战，涉及将图像分解为没有任何标记数据的语义有意义的片段。由于获得密集图像注释的难度和成本，这些任务在无监督设置中特别有趣，但现有的无监督方法难以处理包含多个对象的复杂场景。与纯粹基于深度学习的现有方法不同，我们通过将图像分解重新构造为图分割问题，从传统的光谱分割方法中获得灵感。具体来说，我们研究了自监督网络的特征亲和矩阵的拉普拉斯算子的特征向量。我们发现，这些特征向量已经分解成有意义的片段的图像，并可以很容易地用来定位场景中的对象。此外，通过在数据集上聚类与这些片段相关联的特征，我们可以获得良好描绘的可命名区域，即语义分割。在复杂数据集（Pascal VOC，MS-COCO）上的实验表明，我们的简单谱方法在无监督定位和分割方面的性能明显优于最先进的方法。此外，我们的方法可以很容易地用于各种复杂的图像编辑任务，如背景去除和合成。
2022-05-16 cs.AI cs.CV
TransFGU: A Top-down Approach to Fine-Grained Unsupervised Semantic Segmentation
Hunan University（湖南大学）；Alibaba Group（阿里巴巴集团）
无监督语义分割的目标是在不需要人工标注的情况下，获得低层视觉特征的高层语义表示。大多数现有的方法都是自下而上的方法，试图根据像素的视觉线索或某些预定义的规则将像素分组为区域。因此，对于这些自下而上的方法来说，当遇到具有多个对象和一些对象共享相似视觉外观的复杂场景时，很难生成细粒度的语义分割。相比之下，我们提出了第一个自上而下的无监督语义分割框架，用于在极其复杂的场景中进行细粒度分割。具体而言，我们首先获得丰富的高层次结构化的语义概念信息，从大规模的视觉数据中的自监督学习的方式，并使用这些信息作为先验发现潜在的语义类别的目标数据集。其次，发现的高层语义类别映射到低级别的像素特征，通过计算类激活图（CAM）相对于某些发现的语义表示。最后，将获得的CAM作为伪标签来训练分割模块并产生最终的语义分割。在多个语义分割基准上的实验结果表明，该方法对不同语义粒度下的对象和场景数据集都具有较好的鲁棒性，并且优于现有的自底向上方法.我们的代码可在\url{https://github.com/damo-cv/TransFGU}上获得。
2022-07-22 cs.AI cs.CV
Boundary-aware Information Maximization for Self-supervised Medical Image Segmentation
ETS Montreal（蒙特利尔高等技术学院）
无监督预训练已被证明是一种有效的方法，可以在有限的标记数据下提高各种下游任务。在各种方法中，对比学习通过构建正负对来学习区分性表示。然而，以无监督的方式为分割任务构建合理的对并不是微不足道的。在这项工作中，我们提出了一种新的无监督预训练框架，避免了对比学习的缺点。我们的框架由两个原则组成：无监督过分割作为预训练任务，使用互信息最大化和边界感知保持学习。两个基准的医学分割数据集上的实验结果表明，我们的方法在提高分割性能的有效性时，很少有注释的图像。
2022-02-16 cs.CV eess.IV
Semantic-guided Disentangled Representation for Unsupervised Cross-modality Medical Image Segmentation
Tsinghua University（清华大学）
在医学图像分析中，解纠缠表示是一种有效的无监督域自适应处理方法，但以往的方法只注重提取域不变特征，而忽略了提取的特征对后续任务是否有意义。本文提出了一种语义引导的解纠缠表示框架（SGDR），一种有效的方法，以准确的语义有意义的特征的分割任务，以提高性能的跨模态医学图像分割在无监督域自适应设置。为了提取不同模态的有意义的域不变特征，我们引入内容鉴别器来强制内容表示嵌入到同一空间，并引入特征鉴别器来精确有意义的表示。我们还使用像素-我们在两个公开的数据集上验证了我们的方法，实验结果表明，我们的方法优于传统的方法最先进的方法对两个评价指标的一个显着的边际。
2023-03-04 cs.CV eess.IV
On-Device Unsupervised Image Segmentation
George Mason University（乔治梅森大学）；Northeastern University（东北大学）
随着卷积神经网络的突破，基于学习的分割方法出现在许多研究工作中。它们中的大多数都是基于监督学习的，需要大量的注释数据;然而，为了支持分割，需要为每个像素添加标签，这显然是昂贵的。因此，缺乏注释的分割数据的问题普遍存在。持续学习是解决这个问题的一种很有前途的方法;然而，它仍然对人工注释有很高的要求。更重要的是，在现实世界的应用程序中，细分数据对隐私的要求很高，这进一步要求设备上的学习。在本文中，我们的目标是以另一种方式解决上述问题：我们建议开发可以在边缘设备上执行的高效无监督分割，而不是监督分割。基于我们的观察，分割可以获得高性能时，像素映射到一个高维空间，我们第一次把大脑启发的高维计算（HDC）的分割任务。我们建立了基于HDC的无监督分割框架，即“SegHDC”。在SegHDC中，我们设计了一种遵循曼哈顿距离的新编码方法。一个聚类算法进一步开发的编码的高维向量的顶部，以获得分割结果。实验结果表明，SegHDC可以显着优于基于神经网络的无监督分割。在标准的分割数据集DSB 2018上，SegHDC可以在Intersection over Union（IoU）得分上实现28.0%的提高;同时，它在Raspberry PI上实现了超过300倍的加速。更重要的是，对于BBBC 005数据集中较大尺寸的图像，由于内存不足，现有方法无法适应Raspberry PI;另一方面，SegHDC可以在…
2023-02-24 cs.CV cs.LG
MOVE: Unsupervised Movable Object Segmentation and Detection
University of Bern（伯尔尼大学）
我们介绍了MOVE，一种新的方法来分割对象，没有任何形式的监督。MOVE利用前景对象可以相对于其初始位置局部移动并产生逼真（未失真）的新图像的事实。这个属性使我们能够在没有注释的图像数据集上训练分割模型，并在几个评估数据集上实现最先进的（SotA）性能，用于无监督的显著目标检测和分割。在无监督的单对象发现中，MOVE比SotA平均提高了7.2%的CorLoc，在无监督的类无关目标检测中，它平均提高了53%的相对AP。我们的方法建立在自监督特征（例如来自DINO或MAE），修复网络（基于掩码自编码器）和对抗训练的基础上。
2022-10-20 cs.AI cs.CV cs.LG
Causal Unsupervised Semantic Segmentation
School of Electrical Engineering（电气工程学院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出CAUSE框架，通过因果推理方法解决无监督语义分割中概念聚类层次确定问题，实现像素级分组，并在多个数据集上取得最佳性能。
2023-10-11 cs.AI cs.CV cs.LG
VideoCutLER: Surprisingly Simple Unsupervised Video Instance Segmentation
UC Berkeley（加州大学伯克利分校）；Meta AI
针对现有无监督视频实例分割依赖运动估计、难跟踪微小/发散运动的问题，提出VideoCutLER，用高质量伪掩码和简单视频合成训练，在YouTubeVIS-2019上取得SOTA无监督结果，还可作为强预训练模型提升监督任务性能。
2023-08-28 cs.AI cs.CV cs.LG
Variational multichannel multiclass segmentation using unsupervised lifting with CNNs
University of Innsbruck（因斯布鲁克大学）；VASCage GmbH（VASCage有限责任公司）；MRC-Laboratory of Molecular Biology（英国医学研究委员会分子生物学实验室）；Medical University of Innsbruck（因斯布鲁克医科大学）
本研究提出结合变分能量泛函与深度CNN的无监督图像分割方法，基于多通道多相Chan-Vese模型实现K类分割，经CNN预分解后最小化泛函得到结果，可处理多类图像并与同类方法对比性能。
2023-06-16 cs.CV cs.NA math.FA
Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation
Dept. of Computer Science and Engineering（计算机科学与工程系）；Research Convergence Institute（研究融合研究所）；Dept. of Electrical and Computer Engineering（电气与计算机工程系）
本文提出SAM-RefiSeR方法，通过无监督领域适应提升脑肿瘤分割的准确性与泛化能力。
2026-01-11 cs.CV
Labels4Free: Unsupervised Segmentation using StyleGAN
KAUST（沙特国王科技大学）；UCL（伦敦大学学院）；Adobe Research（Adobe研究）
我们为StyleGAN生成的对象提出了一个无监督分割框架。我们基于两个主要观察结果。首先，StyleGAN生成的特征包含有价值的信息，可用于训练分割网络。第二，前景和背景通常可以被视为在很大程度上独立的，并以不同的方式合成。对于我们的解决方案，我们建议使用分段分支来增强StyleGAN2生成器架构，并将生成器分为前台和后台网络。这使我们能够以无监督的方式为前景对象生成软分割掩模。在多个对象类别上，我们报告了与最先进的监督分割网络的可比结果，而与最好的无监督分割方法相比，我们在定性和定量指标上都有明显的改进。
2021-03-27 cs.CV
Virtual Adversarial Training in Feature Space to Improve Unsupervised Video Domain Adaptation
School of Computing Sciences, University of East Anglia（东英吉利大学计算科学学院）
虚拟对抗训练最近在半监督学习和无监督领域自适应方面取得了很大的成功。然而，到目前为止，它已被用于像素空间中的输入样本，而我们建议将其直接应用于特征向量。我们还讨论了熵最小化和决策边界迭代精化训练与教师在领域自适应的不稳定行为，并建议实现类似的行为的替代品。通过将上述技术添加到现有技术的模型TA $^3$ N，我们在多个无监督视频领域自适应任务中保持有竞争力的结果或优于现有技术
2020-08-19 cs.CV
Nonlinear Embedding Transform for Unsupervised Domain Adaptation
Center for Cognitive Ubiquitous Computing（认知普适计算中心）；Arizona State University（亚利桑那州立大学）
领域自适应（DA）问题涉及使在一个数据分布上训练的分类器模型适应于不同的数据分布。在本文中，我们介绍了非线性嵌入变换（NET）的无监督DA结合域对齐与基于相似性的嵌入。我们还介绍了一个验证过程，估计模型参数的NET算法使用的源数据。多个视觉数据集的综合评价表明，NET算法优于现有的竞争程序的无监督DA。
2017-06-22 cs.CV
Unsupervised Action Segmentation for Instructional Videos
Google（谷歌）；Google Research（谷歌研究院）
在本文中，我们解决的问题，自动发现原子动作在无监督的方式从教学视频，这是很少与原子动作注释。我们提出了一种无监督的方法来学习原子动作的结构化的人类任务，从各种教学视频的基础上顺序随机自回归模型的时间分割的视频。它学习表示和发现任务的不同原子动作之间的顺序关系，并提供自动和无监督的自标记。
2021-06-07 cs.CV
Contrastive Adaptation Network for Unsupervised Domain Adaptation
University of Technology Sydney（悉尼科技大学）；Google AI（谷歌人工智能）；Baidu Research（百度研究院）；Carnegie Mellon University（卡内基梅隆大学）
无监督领域自适应（UDA）对目标领域数据进行预测，而手动注释仅在源领域中可用。以前的方法忽略了类信息，这可能会导致不对齐和泛化性能差的域差异最小化。为了解决这个问题，本文提出了对比自适应网络（CAN）优化一个新的度量，显式地模拟类内域差异和类间域差异。我们设计了一种交替更新策略，以端到端的方式训练CAN。在两个真实世界基准Office-31和VisDA-2017上的实验表明，CAN与最先进的方法相比表现良好，并产生更具区分力的特征。
2019-04-10 cs.CV
Unsupervised Segmentation of Overlapping Cervical Cell Cytoplasm
Indian Institute of Technology Kharagpur（印度理工学院卡拉普尔）
宫颈细胞重叠和细胞质对比度差是影响宫颈细胞准确检测和分割的主要问题。本文提出了一种无监督的细胞分割方法。使用从不同焦平面的图像创建的扩展景深（EDF）图像进行细胞团分割。提出了一种基于先验类权值的改进Otsu方法，用于从细胞团中准确分割细胞核。根据在细胞团中检测到的细胞核数量，细胞质从细胞团中进一步分割。水平集模型用于细胞质分割。
2015-05-21 cs.CV
Unsupervised Domain Adaptation: A Multi-task Learning-based Method
University of Wollongong（卧龙岗大学）
提出了一种新的基于多任务学习的无监督领域自适应方法。具体地说，基于多任务学习的概念，通过考虑目标域的几何形状和源域与目标域之间的分歧，联合学习源域和目标域分类器。在此基础上提出了两种新的算法，分别采用正则化最小二乘法和支持向量机。在合成和真实世界的跨域识别任务的实验表明，所提出的方法优于几个国家的最先进的领域自适应方法。
2018-03-25 cs.CV
Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
Tsinghua University（清华大学）
深度学习方法在无监督领域自适应中显示出了希望，其目的是利用标记的源域来学习具有不同分布的未标记目标域的分类器。然而，这样的方法通常学习域不变表示空间以匹配源域和目标域的边缘分布，而忽略它们的精细级结构。在本文中，我们提出了一个教师（CAT）的无监督领域自适应，它可以有效地将区分聚类结构在两个领域更好的适应。从技术上讲，CAT利用隐式集成教师模型来可靠地发现未标记目标域的特征空间中的类条件结构。然后，CAT强制源和目标域的特征形成区分性的类条件聚类，并跨域对齐相应的聚类。实验结果表明，CAT在几个无监督的领域自适应场景中达到了最先进的结果。
2019-10-09 cs.CV
Minimal-Entropy Correlation Alignment for Unsupervised Deep Domain Adaptation
在这项工作中，我们面临的问题，无监督的领域自适应与一种新的深度学习的方法，利用我们的发现，熵最小化诱导的二阶统计源和目标域之间的最佳对齐。我们正式证明了这一假设，并在实际情况下，旨在实现最佳的对齐，我们采用了一个更有原则的策略，不同于目前的欧几里德方法，部署沿测地线对齐。我们的管道可以通过添加到标准分类损失（在标记的源域上）来实现，这是一个以无监督和数据驱动方式加权的源到目标正则化器。我们提供了广泛的实验来评估我们的框架在标准域和模态适应基准上的优越性。
2017-11-28 cs.CV
Boosting Unsupervised Segmentation Learning
University of Bern（伯尔尼大学）；Institute of Science and Technology Austria（奥地利科学技术研究所）
针对无监督分割学习中现有方法分割图分辨率和准确性不足的问题，提出图像后处理细化掩码、多尺度一致性准则匹配不同分辨率掩码两种技术，经多个基准验证有效。
2024-11-28 cs.CV
