Implicit Integration of Superpixel Segmentation into Fully Convolutional Networks
Denso IT Laboratory, Inc.（电装信息技术实验室有限公司）
针对超像素与卷积神经网络端到端结合需额外模型和特殊操作的问题，提出隐式集成超像素的方法，通过下采样层分层分组生成超像素并替代双线性上采样恢复分辨率，可接入现有架构且在多任务中实现提速或精度提升。
2023-05-08 cs.CV
Refining Semantic Segmentation with Superpixel by Transparent Initialization and Sparse Encoder
Australian National University（澳大利亚国立大学）；Australian Centre for Robotic Vision（澳大利亚机器人视觉中心）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
虽然深度学习大大提高了语义分割的性能，但其成功主要在于没有精确边缘的对象中心区域。由于超像素是一种流行的和有效的辅助，以保持对象的边缘，在本文中，我们共同学习语义分割与可训练的超像素。我们实现了它与全连接层与透明层（TI）和有效的logit一致性使用稀疏编码器。建议的TI保留了预训练网络的学习参数的影响。这避免了预训练网络的损失的显著增加，否则可能由附加层的不适当的参数初始化引起。同时，通过logit一致性保证每个超像素中的一致像素标签。具有稀疏矩阵运算的稀疏编码器实质上降低了存储器需求和计算复杂性。我们证明了TI的优越性比其他参数初始化方法，并测试其数值稳定性。在PASCAL VOC 2012、ADE 20 K和PASCAL Context上验证了我们的建议的有效性，显示了增强的语义分割边缘。利用性能比和F-测度对分割边缘进行定量评价，我们的方法优于最先进的方法。
2020-11-24 cs.AI cs.CV cs.LG
Image segmentation with superpixel-based covariance descriptors in low-rank representation
University of Otago（奥塔哥大学）
研究了基于超像素的图像分割问题。我们提出了两种方法来提高超像素的协方差描述符的区分能力。在第一种方法中，我们使用对数欧几里德距离作为协方差流形上的度量，然后使用RBF核来度量协方差描述符之间的相似性。第二种方法的重点是提取子空间结构的协方差描述符集的协方差流形上扩展的低秩表示算法。在Berkly分割数据集上进行了实验，并与现有的分割算法进行了比较，结果表明两种方法都具有较好的分割效果。
2016-05-18 cs.CV
Superpixel Integrated Grids for Fast Image Segmentation
本文提出超像素集成网格SIGRID数据结构，通过编码超像素颜色与形状信息降低输入维度，在四个基准数据集上以两种卷积架构验证，在压缩数据的同时匹配甚至超越像素级分割性能并加速训练。
2025-10-07 cs.CV
MSP : Refine Boundary Segmentation via Multiscale Superpixel
Peking University（北京大学）；Megvii Inc（旷视科技）；Beihang University（北京航空航天大学）
在本文中，我们提出了一个简单而有效的消息传递方法，以改善边界质量的语义分割结果。受超像素块产生的尖锐边缘的启发，我们采用超像素来引导信息在特征图中传递。同时，块的尖锐边界也限制了消息传递范围。具体来说，我们对特征图中超像素块覆盖的特征进行平均，并将结果添加回每个特征向量。此外，为了获得更清晰的边缘和更远的空间依赖性，我们开发了一个多尺度超像素模块（MSP）的级联不同尺度的超像素块。我们的方法可以作为一个即插即用的模块，很容易插入到任何分割网络，而无需引入新的参数。在三个强大的基线上进行了广泛的实验，即PSPNet，DeeplabV3和DeepLabV3+，以及四个具有挑战性的场景解析数据集，包括ADE20K，Cityscapes，PASCAL VOC和PASCAL Context。实验结果验证了该方法的有效性和通用性。
2021-12-03 cs.CV
Adaptive strategy for superpixel-based region-growing image segmentation
LATIS, ENISo, Sousse University（苏斯大学（Sousse University）、ENISo、LATIS）；Institut Mines-Télécom Atlantique（法国国立高等矿业电信学校大西洋校区（Institut Mines-Télécom Atlantique））；LaTIM UMR 1101, INSERM（INSERM LaTIM UMR 1101（INSERM是法国国家健康与医学研究院，LaTIM是其下属实验室））
提出了一种基于超像素分解的区域增长图像分割方法。从输入图像的初始轮廓约束过分割开始，通过迭代地将相似的超像素合并成区域来实现图像分割。这种方法提出了两个关键问题：（1）如何计算超像素之间的相似性以执行准确的合并，以及（2）这些超像素必须以何种顺序合并在一起。从这个角度来看，我们首先介绍了一个强大的自适应多尺度超像素相似性，其中区域比较都在内容和公共边界级别。其次，我们提出了一个全局合并策略，以有效地指导区域合并过程。这种战略采用一种适应性的合并标准，以确保最佳的区域组合得到最高的优先考虑。这允许达到具有强边界粘附的一致区域的最终分割。我们在BSDS 500图像数据集上进行实验，以突出我们的方法与其他知名图像分割算法相比的优势。所得到的结果表明，所提出的方法有前途的潜力。
2018-03-17 cs.CV
SPDA: Superpixel-based Data Augmentation for Biomedical Image Segmentation
University of Notre Dame（圣母大学）；Pennsylvania State University（宾夕法尼亚州立大学）
监督训练深度神经网络旨在“教”网络模仿人类视觉感知，由训练数据中的图像和标签对表示。超像素化（SP）图像对人类来说是视觉上可感知的，但是常规训练的深度学习模型在处理SP图像时通常表现不佳。为了更好地模仿人类视觉感知，我们认为深度学习模型不仅能够感知原始图像，而且能够感知SP图像。在本文中，我们提出了一种新的基于超像素的数据增强（SPDA）方法，用于训练生物医学图像分割的深度学习模型。我们的方法将超像素生成方案应用于所有原始训练图像以生成超像素化图像。然后将由此获得的SP图像与原始训练图像联合使用以训练深度学习模型。我们在四个生物医学图像数据集上进行的SPDA实验表明，SPDA是有效的，可以持续提高最先进的全卷积网络在2D和3D图像中进行生物医学图像分割的性能。进一步的研究也表明，SPDA可以实际上减少泛化差距。
2019-02-28 cs.AI cs.CV cs.LG
Robust Semantic Segmentation with Superpixel-Mix
U2IS ENSTA Paris（巴黎高等先进技术学院 U2IS）；Institut Polytechnique de Paris（巴黎理工学院）；Safrantech, Safran Group（赛峰集团 Safrantech）；University of Siegen（锡根大学）；National University of Singapore（新加坡国立大学）
除了预测性能和运行时速度之外，可靠性也是现实世界语义分割的关键要求。可靠性包括稳健性、预测不确定性和减少偏倚。为了提高可靠性，我们引入了Superpixel-mix，一种新的基于超像素的数据增强方法，具有师生一致性训练。与其他基于混合的增强技术不同，在图像之间混合超像素可以感知对象边界，同时在分割精度方面获得一致的增益。我们提出的技术在Cityscapes数据集上实现了半监督语义分割的最新结果。此外，Superpixel-mix通过减少网络的不确定性和偏差来提高语义分割的可靠性，这一点在强分布变化（恶劣天气，图像损坏）和面对分布外数据时的竞争结果中得到了证实。
2021-10-21 cs.AI cs.CV stat.ML
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
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
High-resolution Coastline Extraction in SAR Images via MISP-GGD Superpixel Segmentation
University of Bristol（布里斯托大学）
高精度海岸线/海岸线提取合成孔径雷达图像是一个关键的一步，在一些海洋和沿海监测应用。我们提出了一种基于广义伽玛混合模型超像素算法（MISP-GGD）的图像分割方法。MISP-GGD产生的超像素非常精确地附着在图像中的对象边缘，例如海岸线。根据纹理和辐射特征对所生成的超像素进行无监督聚类允许生成陆地/水域掩模，从该掩模可以提取高度准确的海岸线。我们提出了我们所提出的方法对不同特性的SAR图像的数量的结果。
2022-03-05 cs.CV eess.IV
FuSS: Fusing Superpixels for Improved Segmentation Consistency
Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；Universidade Federal de Minas Gerais (UFMG)（米纳斯吉拉斯联邦大学）
在这项工作中，我们提出了两种不同的方法来提高开集语义分割的语义一致性。首先，我们提出了一种称为OpenGMM的方法，该方法使用高斯混合模型扩展OpenPCS框架，以多模式方式对每个类的像素分布进行建模。第二种方法是一种后处理，它使用超像素来强制高度均匀的区域表现相同，纠正这些区域内的错误分类像素，我们还提出了一种新的超像素方法，称为FuSS。所有测试都是在ISPRS Vaihingen和Potsdam数据集上进行的，这两种方法都能够提高两种数据集的定量和定性结果。除此之外，FuSS的后处理对两个数据集都取得了最先进的结果。正式实现可在以下网址获得：\url{https://github.com/iannunes/FuSS}。
2022-06-06 cs.AI cs.CV cs.LG
Generating superpixels using deep image representations
Center for Processing Speech and Images（语音和图像处理中心）；KU Leuven（比利时鲁汶大学）；Dept. ESAT（ESAT系（ESAT系））；ESAT（ESAT（比利时鲁汶大学的一个系/实验室））；KU Leuven, Belgium（比利时鲁汶大学）
超像素算法是计算机视觉算法（例如分割、对象跟踪和定位）的常见预处理步骤。许多超像素方法仅依赖于用于分割的颜色特征，限制了低对比度区域中的性能以及对对象边界具有广泛外观变化的红外或医学图像的适用性。我们研究了SLIC超像素算法中包含的深度图像特征，以利用更高级别的图像表示。此外，我们设计了一个可训练的超像素算法，产生一个中间域特定的图像表示，可以应用于不同的任务。将基于聚类的超像素算法转化为逐像素分类任务，并从语义分割数据集导出超像素训练数据。我们的结果表明，这种方法能够始终如一地提高超像素质量。
2019-03-11 cs.CV
Superpixel-based Refinement for Object Proposal Generation
University of Hamburg（汉堡大学）
对象的精确分割是类无关对象建议生成或实例分割等任务中的重要问题。由于CNN中固有的下采样，基于深度学习的系统通常基于粗略的特征图生成对象的分割。这导致分割边界不能很好地粘附到图像中的对象边界。为了解决这个问题，我们引入了一个新的基于超像素的细化方法的最先进的对象建议系统AttentionMask的顶部。该细化利用用于特征提取的超像素池化和新颖的超像素分类器来确定高精度超像素是否属于对象。我们的实验表明，与原始AttentionMask相比，平均召回率提高了26.0%。此外，分割的定性和定量分析揭示了与各种基于深度学习的最先进的对象提议生成系统相比，所提出的改进在边界粘附方面的显著改进。
2021-01-12 cs.CV
Superpixel-Based Image Segmentation Using Squared 2-Wasserstein Distances
本文提出一种基于平方2-Wasserstein距离的图像分割方法，通过超像素聚类和分布最优传输实现高精度分割。
2026-10-26 cs.CV math.PR
Superpixel Boundary Correction for Weakly-Supervised Semantic Segmentation on Histopathology Images
University of Science and Technology of China（中国科学技术大学）
针对组织病理图像 WSSS 中 CAM 分辨率低、边界模糊的问题，提出结合超像素聚类与泛洪填充的多级超像素边界校正算法，在乳腺癌分割数据集上以 71.08% mIoU 提升肿瘤微环境边界刻画。
2025-01-07 cs.CV
Superpixel-enhanced Pairwise Conditional Random Field for Semantic Segmentation
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Air Force Research Laboratory（空军研究实验室）
基于超像素的高阶条件随机场（CRF）在逐像素标记问题（如语义分割）中有效地执行长程一致性。然而，与成对模型相比，它们的主要缺点是学习高阶势和额外的超参数和/或权重的时间要长得多。本文提出了一个超像素增强的成对CRF框架，包括传统的成对以及我们提出的超像素增强的成对（SP-成对）的潜力。SP-成对电位通过调节分段滤波图像来结合基于超像素的高阶线索，并且与常规成对电位共享相同的参数集。因此，所提出的超像素增强的成对CRF在参数学习中具有较低的时间复杂度，同时在推理精度方面优于高阶CRF。此外，新方案通过重用其参数和/或权重来利用预训练的成对模型，即使没有训练，也可以在CRF-RNN的基础上显著提高精度。在MSRC-21和PASCAL VOC 2012数据集上的实验验证了该方法的有效性。
2018-05-29 cs.CV
Unsupervised Image Semantic Segmentation through Superpixels and Graph Neural Networks
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
无监督图像分割是一个重要的任务，在许多现实世界的情况下，标记的数据是稀缺的。在本文中，我们提出了一种新的方法，利用最新的进展，在无监督学习中使用的组合的互信息最大化（MIM），神经超像素分割和图神经网络（GNNs）在一个端到端的方式，一种方法，尚未探索。我们利用超像素的紧凑表示，并将其与GNN相结合，以学习强大且语义有意义的图像表示。具体来说，我们证明了我们基于GNN的方法允许对图像中遥远像素之间的相互作用进行建模，并作为现有CNN的强先验，以提高准确性。我们的实验揭示了我们的方法相比，目前的最先进的方法在四个流行的数据集的定性和定量优势。
2022-10-21 cs.CV
Superpixel Transformers for Efficient Semantic Segmentation
Google Research（谷歌研究院）；Waymo LLC（Waymo有限责任公司）；ByteDance Research（字节跳动研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）
针对语义分割任务中现有方法难以高效利用全局上下文的问题，提出结合超像素与Transformer的框架，在保证准确率达SOTA的同时提升了计算效率。
2023-10-02 cs.CV
Hierarchical Superpixel Segmentation via Structural Information Theory
Beihang University（北京航空航天大学）；Shijiazhuang Tiedao University（石家庄铁道大学）；Macquarie University（麦考瑞大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对现有基于图的超像素分割方法忽略非相邻像素影响、未充分利用全局信息的问题，提出基于结构信息论的分层超像素分割方法SIT-HSS，通过1D SE引导的图构建和2D SE引导的分层图划分实现分割，性能优于现有无监督超像素分割算法。
2025-01-13 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
Stereo Superpixel Segmentation Via Decoupled Dynamic Spatial-Embedding Fusion Network
Hainan University（海南大学）；Wuhan University of Technology（武汉理工大学）；Beijing Jiaotong University（北京交通大学）；Shenzhen University（深圳大学）；City University of Hong Kong（香港城市大学）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
立体超像素分割的目的是通过左视图和右视图更协作和有效地将离散化像素分组为感知区域。现有的超像素分割算法大多利用颜色和空间特征作为输入，这可能会对空间信息施加很强的约束，同时利用立体图像对的视差信息。为了缓解这个问题，我们提出了一种立体超像素分割方法与空间信息的解耦机制在这项工作中。为了解耦立体视差信息和空间信息，在融合立体图像对的特征之前，先暂时去除空间信息，并提出一个解耦立体融合模块（DSFM）来处理立体特征对齐和遮挡问题。此外，由于空间信息对超像素分割至关重要，我们进一步设计了动态空间性嵌入模块（DSEM）来重新添加空间信息，并通过DSEM中的动态融合（DF）机制自适应地调整空间信息的权重，以实现更精细的分割。综合实验结果表明，该方法在KITTI2015和Cityscapes数据集上均达到了最佳性能，在NJU2K数据集上的显著目标检测中也验证了该方法的有效性.源代码将在论文被接受后公开。
2022-08-17 cs.CV
Stereo-based terrain traversability analysis using normal-based segmentation and superpixel surface analysis
University of Kaiserslautern（凯泽斯劳滕大学）
提出了一种适用于越野移动机器人（如无人地面车辆）的全地形立体可通过性分析方法。该方法将地形可通过性分析问题转化为两个主要问题：（1）三维地形重建和（2）地形全表面检测与分析。提出的方法是使用立体相机的感知和三维重建的地形。为了将3D重建地形中的所有现有表面检测为超像素表面（即，片段），使用基于几何的特征（基于像素的表面法线）应用图像分割技术。在检测到所有表面后，将超像素表面可通行性分析方法（SSTA）应用于所有检测到的表面（超像素段），以便基于其可通行性指数对其进行分类。所提出的SSTA方法基于：（1）超像素表面法线和平面估计，（2）使用超像素表面平面的可通行性分析。在对所有超像素曲面进行遍历性分析后，将其分为可遍历、半遍历、不可遍历、未知和未定五大类。
2019-07-16 cs.CV cs.RO eess.IV
Unsupervised Segmentation of Hyperspectral Remote Sensing Images with Superpixels
Istituto Nazionale di Fisica Nucleare（意大利国家核物理研究所）；Università Milano−Bicocca（米兰比可卡大学）
本文提出了一种无监督的高光谱遥感图像分割方法。该方法利用均值漂移聚类算法，作为输入的初步高光谱超像素分割连同光谱像素信息。所提出的方法不需要分割类的数量作为输入参数，它不利用任何先验知识的类型的土地覆盖或土地利用被分割（如水，植被，建筑物等）。在Salinas、SalinasA、Pavia Center和Pavia University数据集上进行了实验。性能的衡量标准化的互信息，调整后的兰德指数和F1得分。结果表明，所提出的方法的有效性与最先进的比较。
2022-08-26 cs.CV
Dark Spot Detection from SAR Images Based on Superpixel Deeper Graph Convolutional Network
Wuhan University（武汉大学）
合成孔径雷达（SAR）是用于探测海面浮油的主要仪器。在合成孔径雷达图像中，一些受海洋现象影响的区域，如雨胞、上升和内波，或石油泄漏的排放，在图像上显示为黑点。暗点检测是检测石油泄漏的第一步，然后成为浮油候选者。黑斑分割的准确性最终影响到浮油识别的准确性。尽管一些以像素为处理单位的先进深度学习方法在遥感图像语义分割中表现良好，但从噪声SAR图像中检测出一些边界较弱的暗点仍然是一个巨大的挑战。提出了一种基于超像素深度图卷积网络（SGDCN）的图像暗斑检测方法，该方法以超像素为处理单元，对每个超像素进行特征提取。从超像素区域计算的特征比从固定像素邻域计算的特征更鲁棒。为了降低学习任务的难度，我们丢弃不相关的功能，并获得一个最佳的功能子集。超像素分割后的图像转化为以超像素为节点的图，送入更深层次的图卷积神经网络进行节点分类。这种图神经网络使用可微聚合函数来聚合节点和邻居的特征以形成更高级的特征。这是首次将其用于暗斑检测。为了验证我们的方法，我们标记了六个覆盖波罗的海的SAR图像上的所有暗点，并构建了一个暗点检测数据集，该数据集已公开提供（drive.google.com/drive/folders/12UavrntkDSPrItISQ8iGefXn2gIZHxJ6? usp=共享）。实验结果表明，我们提出的SGDCN是强大的和有效的。
2022-04-20 cs.CV
Point Label Aware Superpixels for Multi-species Segmentation of Underwater Imagery
Queensland University of Technology（昆士兰科技大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
使用水下航行器监测珊瑚礁，通过收集大量图像，扩大了海洋调查的范围和历史生态数据的可用性。可以使用经过训练以执行语义分割的模型来自动分析该图像，但是密集地标记图像以用于训练监督模型太昂贵和耗时。在这封信中，我们利用照片样方图像标记的生态学家与稀疏的点标签。我们提出了一种点标签感知方法，用于在超像素区域内传播标签，以获得用于训练语义分割模型的增强地面实况。我们的点标签感知超像素方法利用稀疏的点标签，并使用学习到的特征对像素进行聚类，以准确地在杂乱复杂的珊瑚图像中生成单物种片段。我们的方法在UCSD Mosaics数据集上的像素准确度和标签传播任务的平均IoU分别比之前的方法高出3.62%和8.35%，同时将之前方法报告的计算时间减少了76%。我们训练了DeepLabv3+架构，并在UCSD Mosaics数据集上的像素准确度和平均IoU分别为2.91%和9.65%，在Eilat数据集上的像素准确度和平均IoU分别为4.19%和14.32%，优于最先进的语义分割。
2022-07-10 cs.CV cs.LG cs.RO
Generalized Shortest Path-based Superpixels for 3D Spherical Image Segmentation
Univ. Bordeaux, Bordeaux INP, IMS, CNRS UMR 5218, France（波尔多大学、波尔多INP、IMS、CNRS UMR 5218、法国）
提出SphSPS方法，利用3D球面几何计算最短路径生成超像素，提升360度图像分割精度与形状规则性，优于现有方法。
2025-09-24 cs.CV
Superpixel Hierarchy
超像素分割在计算机视觉中正变得无处不在。在实践中，对象可以由多个片段以更精细的细节水平表示，或者以更粗糙的细节水平包括在周围区域中，因此超像素分割层次结构对于需要取决于所分割的特定图像对象的不同图像分割细节水平的应用是有用的。不幸的是，没有一种方法可以实时准确地生成所有尺度的超像素。因此，本文提出了一种简单而有效的算法-超级层次（SH）。它与最先进的技术一样精确，但速度快1-2个数量级。所提出的方法可以直接集成与最近的有效的边缘检测器，如结构化的森林边缘显着优于国家的最先进的分割精度方面。定量和定性评价的一些计算机视觉的应用进行，表明所提出的方法是最好的表演者。
2016-05-20 cs.CV
Self-Supervision with Superpixels: Training Few-shot Medical Image Segmentation without Annotation
Imperial College London（帝国理工学院）；BioMedIA Group, Department of Computing（计算系BioMedIA小组）
Few-Shot语义分割（FSS）在医学成像领域有着巨大的应用潜力。大多数现有的FSS技术需要大量的注释语义类进行训练。然而，由于缺乏注释，这些方法可能不适用于医学图像。为了解决这个问题，我们做了几个贡献：（1）一个新的自监督FSS框架的医学图像，以消除在训练过程中的注释的要求。此外，生成基于超像素的伪标签以提供监督;（2）插入原型网络的自适应局部原型池化模块，以解决医学图像分割中常见的具有挑战性的前景-背景不平衡问题;（3）我们使用三个不同的任务证明了所提出的方法对医学图像的普遍适用性：用于CT和MRI的腹部器官分割，以及用于MRI的心脏分割。我们的研究结果表明，对于医学图像分割，所提出的方法优于传统的FSS方法，需要手动注释训练。
2020-10-06 cs.CV
Semi-Automated Segmentation of Geoscientific Data Using Superpixels
The University of British Columbia（不列颠哥伦比亚大学）
地质作用决定了重要矿物、水和地热能等资源的分布。然而，地质的直接观测常常被覆盖层或植被等地表覆盖物所阻碍。在这种情况下，经常进行远程和现场勘测，以收集指示地质的地球物理测量结果。基于这些测量开发地质分割是具有挑战性的，因为各个数据集在属性（例如，单位、动态范围、纹理）上可能不同，并且因为数据并不唯一地约束地质。此外，随着数据集数量的增长，约束地质学的信息也在增加，同时变得越来越难以理解。受超像素概念的启发，我们提出了一种基于深度学习的方法，将栅格化的调查数据分割成具有相似特征的区域。我们展示了它的使用半自动化的地球科学制图与数据集产生的独立传感器和不同的属性。此外，我们引入了一个新的损失函数的超像素，包括一个新的正则化参数惩罚图像分割与非连接组件超像素。这通过允许更好地控制所生成的超像素的数量来改善先验知识的集成。
2023-03-20 cs.CV eess.IV physics.geo-ph
Unsupervised Instance Segmentation with Superpixels
Department of Electronic Engineering, Seoul National University of Science and Technology（电子工程系，科学技术厅首尔国立大学）
提出一种无需人工标注的实例分割框架，利用MultiCut算法、超像素引导损失和自适应自训练，在公开数据集上超越现有最先进方法。
2025-09-03 cs.AI cs.CV
Combining Multi-level Contexts of Superpixel using Convolutional Neural Networks to perform Natural Scene Labeling
Princeton University（普林斯顿大学）
现代深度学习算法已经引发了各种图像分割方法。然而，他们中的大多数处理基于像素的分割。然而，超像素提供一定程度的上下文信息，同时降低计算成本。在我们的方法中，我们进行了超像素级语义分割考虑3个不同的水平作为邻居的语义上下文。此外，我们还采用了一些集成方法，如最大投票和加权平均。我们还使用了Dempster-Shafer不确定性理论来分析不同类别之间的混淆。我们的方法已被证明优于许多不同的现代方法在同一数据集上。
2018-03-14 cs.CV
SP${ }^3$ : Superpixel-propagated pseudo-label learning for weakly semi-supervised medical image segmentation
School of Basic Medical Science, Fudan University（复旦大学基础医学院）；Academy for Engineering and Technology, Fudan University（复旦大学工程与技术学院）
针对弱半监督医学图像分割监督信息不足的挑战，提出超像素传播伪标签学习方法，利用超像素结构信息优化伪标签并引入不确定性指导监督，在仅用3%标注下达到约80% Dice分数。
2024-11-18 cs.AI cs.CV
Salient Object Detection by LTP Texture Characterization on Opposing Color Pairs under SLICO Superpixel Constraint
Université de Montréal（蒙特利尔大学）
人类对显著对象的毫不费力的检测已经成为若干领域中的研究主题，包括计算机视觉，因为它具有许多应用。然而，显著目标检测对于处理彩色和纹理图像的许多计算机模型来说仍然是一个挑战。在这里，我们提出了一种新的和有效的策略，通过一个简单的模型，几乎没有内部参数，它产生一个强大的显着图的自然图像。该策略包括将颜色信息集成到局部纹理图案中以表征颜色微观纹理。文献中使用颜色和纹理特征的大多数模型将它们分开处理。在我们的例子中，它是简单而强大的LTP（局部三值模式）纹理描述符，应用于颜色空间的相对颜色对，使我们能够实现这一目标。每个彩色微纹理由矢量表示，其分量来自SLICO（零参数简单线性迭代聚类）算法获得的超像素，该算法简单，快速，具有最先进的边界粘附性。通过FastMap方法计算每对彩色微纹理之间的相异性程度，FastMap方法是MDS（多维缩放）的快速版本，其考虑彩色微纹理的非线性，同时保持它们的距离。这些相异度为我们提供了每个RGB、HSL、LUV和CMY颜色空间的中间显着图。最后的显着图是它们的组合，以利用它们中的每一个的优势。在复杂的ECSSD数据集上，我们的显着性图的MAE（平均绝对误差）和F $_β$度量表明，我们的模型既简单又有效，优于几个最先进的模型。
2022-01-03 cs.CV
SuperPatchMatch: an Algorithm for Robust Correspondences using Superpixel Patches
LaBRI；Bordeaux INP（波尔多国立理工学院）；University of Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；IMB
本文提出基于超像素邻域的SuperPatch结构及SuperPatchMatch算法，用于快速分割和标注，在人脸标注和医学图像分割上优于现有方法。
2025-09-25 cs.CV
Feedforward semantic segmentation with zoom-out features
Toyota Technological Institute at Chicago（芝加哥丰田理工学院）
我们引入了一个纯粹的前馈架构的语义分割。我们将小的图像元素（超像素）映射到从一系列嵌套区域中提取的丰富特征表示。这些区域是通过从超像素一直“缩小”到场景级分辨率来获得的。这种方法利用图像和标签空间中的统计结构，而不需要建立显式的结构化预测机制，从而避免了复杂和昂贵的推理。相反，超像素通过前馈多层网络进行分类。我们的架构在语义分割方面达到了最先进的性能，在PASCAL VOC 2012测试集上获得了64.4%的平均准确率。
2014-12-02 cs.CV
Image Segmentation using Sparse Subset Selection
University of Texas at Arlington（得克萨斯大学阿灵顿分校）
在本文中，我们提出了一种新的图像分割方法的基础上稀疏子集选择的概念。从过分割开始，我们采用局部谱直方图特征将小片段的视觉信息编码成高维向量，称为超像素特征。然后，超像素特征被馈送到一个新的凸模型中，该模型有效地利用这些特征将超像素分组为适当数量的相干区域。我们的模型自动确定最佳数量的相干区域和超像素分配形状的最终片段。为了解决我们的模型，我们提出了一个数值算法的交替方向的乘法器（ADMM）的基础上，其迭代由两个高度并行的子问题。我们发现每个子问题享有封闭形式的解决方案，这使得ADMM迭代计算非常有效。在基准图像分割数据集上的大量实验表明，与现有的最先进的方法相比，我们提出的方法结合过分割可以提供高质量和有竞争力的结果。
2018-04-08 cs.CV
Superpixel-based Semantic Segmentation Trained by Statistical Process Control
Seoul National University（首尔大学）
与计算机视觉的其他领域一样，通过使用深度卷积神经网络，语义分割已经看到了显著的性能进步。然而，考虑到相邻像素之间的严重依赖性，这些方法的学习和测试都有大量的冗余操作。为了解决这个问题，提出的网络训练和测试只有0.37%的总像素的超像素为基础的采样，大大降低了上采样计算的复杂性。超列特征映射由金字塔模块结合基础网络的卷积层构造。由于所提出的方法使用非常小数量的采样像素，整个网络的端到端学习是困难的，对于所有层具有共同的学习率。为了解决这个问题，采样后的学习率由各层中梯度的统计过程控制（SPC）来控制。在Pascal Context，SUN-RGBD数据集上，该方法的性能优于或等于使用更多样本的传统方法。
2017-08-07 cs.CV
SuperpixelGraph: Semi-automatic generation of building footprint through semantic-sensitive superpixel and neural graph networks
Southwest Jiaotong University（西南交通大学）
本文提出SuperpixelGraph半自动方法，利用语义敏感超像素与图神经网络提取建筑足迹，通过少量点击实现高精度矢量分割，在基准上AP50提升8%。
2023-06-20 cs.CV
Memory-Efficient Deep Salient Object Segmentation Networks on Gridized Superpixels
Nokia Technologies（诺基亚科技）
具有逐像素标记任务（例如语义分割和显著目标检测）的计算机视觉算法随着深度学习的并入而经历了显著的准确性增加。深度分割方法对具有数亿个参数的预训练网络进行轻微修改和微调。在这项工作中，我们质疑是否需要有这样的内存需求网络的特定任务的显着对象分割。为此，我们提出了一种从头开始学习记忆高效网络的方法，只在显著的目标检测数据集上训练它。我们的方法将图像编码为网格化的超像素，该超像素保留了对象边界和常规像素的连接规则。这种表示允许我们使用在规则网格上操作的卷积神经网络。通过使用这些编码图像，我们训练了一个内存高效的网络，使用的参数数量仅为其他深度显著目标检测网络的0.048%。我们的方法显示出与最先进的深显着目标检测方法相当的准确性，并提供了一个更快，更节省内存的替代方案。由于其易于部署，这种网络对于诸如移动电话和IoT设备之类的存储器有限设备中的应用是优选的。
2018-05-22 cs.CV
A regularization-based approach for unsupervised image segmentation
University of Ljubljana（卢布尔雅那大学）
我们提出了一种新的无监督图像分割算法，其目的是分割成几个连贯的部分的图像。它不需要用户输入，没有监督学习阶段，并假设一个未知数量的段。它首先将图像过度分割成数百个超像素。这些迭代地加入的基础上，从每个超像素获得的颜色和纹理信息训练的判别分类器。分类器的输出通过马尔可夫随机场进行正则化，该随机场对更相似的相邻超像素产生更大的影响。在每次迭代中，类似的超像素都落在同一个标签下，直到图像中只剩下几个相干区域。该算法在标准评估数据集上进行了测试，其在精度方面与最先进的算法不相上下，并且通过减少感兴趣对象的过度分割而大大优于最先进的算法。
2016-03-08 cs.CV
Computer Vision with a Superpixelation Camera
Portland State University（波特兰州立大学）；Willamette University（威拉米特大学）
本文提出SuperCam相机，通过实时超级像素分割处理数据，在内存受限情况下提升图像分割、目标检测和单目深度估计性能。
2026-03-27 cs.CV
Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation
Hubei University of Technology（湖北工业大学）；Huazhong University of Science and Technology（华中科技大学）；Nanjing University（南京大学）
基于仿射图的图像分割方法已成为计算机视觉的一个主要发展趋势。这些方法的性能依赖于构造的亲和图，特别强调超像素之间的邻域拓扑和成对亲和度。多尺度融合图由于具有同化不同图的优点，比单一尺度的单一图具有更好的性能。然而，这些方法忽略了图像中的噪声，这影响了两两相似度的准确性。多尺度组合分组和图融合也产生较高的计算复杂性。在本文中，我们提出了一个自适应融合亲和图（AFA图）与无噪声的低秩表示在自然图像分割的在线方式。该算法首先将输入图像过分割为不同尺度的超像素，然后采用改进的核密度估计方法进行滤波。此外，我们选择这些超像素的全局节点的基础上，他们的子空间保持表示，这揭示了超像素的特征分布准确。为了在提高性能的同时降低时间复杂度，使用基于无噪声在线低秩表示的全局节点的稀疏表示来获得每个尺度下的全局图。全局图最终用于更新局部图，该局部图建立在每个尺度下的所有超像素上。在BSD 300、BSD 500、MSRC、SBD和PASCAL VOC上的实验结果表明了AFA图与现有方法相比的有效性。
2021-10-22 cs.CV cs.LG cs.MM
Hierarchical Piecewise-Constant Super-regions
University of Nottingham（诺丁汉大学）；Diamond Light Source Ltd（钻石光源有限公司）
最近在计算机视觉中的应用已经严重依赖于超像素过分割作为用于更高级别视觉任务（诸如对象识别、图像标记或图像分割）的预处理步骤。在这里，我们提出了一种新的超像素算法称为分层分段恒定超区域（HPCS），它不仅可以获得与最先进的超像素相媲美，而且还可以分层应用，以形成我们所说的n阶超区域。本质上，在量化特征空间上采用基于马尔可夫随机场（MRF）的各向异性去噪公式来形成分段恒定的图像区域，然后将其与基于图的分裂和合并后处理步骤相结合以形成超像素。该问题的基于图形和量化特征的公式化允许我们分层地将其概括，以用更少的超像素保持边界粘附。实验结果表明，尽管我们的框架很简单，但它能够提供高质量的超像素，并分层应用它们来形成过分割层，每个层的超像素数量都在减少，同时保持相同的所需属性（例如对强图像边缘的粘附）。该算法也是内存有效的，并具有较低的计算成本。
2016-05-19 cs.CV
Let's take a Walk on Superpixels Graphs: Deformable Linear Objects Segmentation and Model Estimation
University of Bologna（博洛尼亚大学）
虽然机器人操纵刚性物体是非常简单的，但处理可变形物体是一个悬而未决的问题。更具体地说，像打结，连接器布线甚至外科手术等任务都涉及可变形线性对象（DLO）领域。具体地，DLO的检测是一个重要的问题，特别是在杂波和遮挡（以及自遮挡）下。DLO的姿态估计导致其与设计模型（例如，基样条）相关的参数的识别。因此，DLO的独立分割可能不足以执行完整的操作任务。这就是为什么我们提出了一种新的框架，能够同时执行多个可变形线性对象的语义分割和b-样条建模，而无需对环境（即背景）有严格的要求。该算法的核心是基于在源图像的超像素过分割基础上构建的区域稀疏图上的有偏随机游走。该算法由检测DLO端帽的卷积神经网络初始化。还提供了所提出的方法的开源实现，以便于整个检测管道的再现以及一个新的电缆数据集，以鼓励进一步的实验。
2018-10-10 cs.CV
Application of Superpixels to Segment Several Landmarks in Running Rodents
Temple University（天普大学）
检查运动改善了我们对运动控制的基本理解，并有助于治疗运动障碍。小鼠和大鼠是人类疾病基础神经科学研究的首选模型系统。由于啮齿动物的高步频，需要高帧速率来量化奔跑的啮齿动物的运动学。手动跟踪，特别是多个身体标志，变得非常耗时。为了克服这些限制，我们提出了使用基于超像素的图像分割，因为超像素利用空间和颜色信息进行分割。我们分割了身体的一些部位，并测试了分割的成功率作为颜色空间和SLIC段大小的函数。我们使用一个简单的合并函数来连接被认为是邻居的分割区域，并具有相同的强度值范围。此外，提取了28个特征，并使用t-SNE来证明这些方法能够区分区域的程度。最后，我们将分割的区域与手动勾画的区域进行了比较。结果表明，对于分割，使用RGB图像比色调通道稍好。然而，对于合并和分类，色调表示更好，因为它在单个通道中捕获相关的颜色信息。
2018-04-07 cs.CV
A Multi-Layer Approach to Superpixel-based Higher-order Conditional Random Field for Semantic Image Segmentation
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Rome Airforce Research Lab（罗马空军研究实验室）
基于超像素的高阶条件随机场（SP-HO-CRF）因其在计算机视觉中为逐像素标记执行短和长空间邻接的有效性而闻名。然而，它们的高阶势通常太复杂而无法学习，并且在执行推理时经常产生高计算成本。我们提出了一种新的近似方法SP-HO-CRF，解决了这些问题。我们的方法是一个多层的CRF框架，继承了简单的成对CRF制定成相同的成对电位在第一层的高阶和成对线索。本质上，该方法通过重新使用成对CRF的预先训练的参数和/或权重，在没有训练的情况下基于成对CRF提供准确性增强。所提出的多层方法在描绘诸如“树”和“灌木丛”之类的对象类别的边界细节（边界）方面表现得特别好。在MSRC-21和PASCAL VOC 2012数据集上进行的多组实验验证了所提方法的有效性和效率。
2018-04-05 cs.CV
Foreground Clustering for Joint Segmentation and Localization in Videos and Images
本文提出了一种新的框架，在该框架中，视频/图像分割和定位被转换成一个单一的优化问题，该问题将低级别的外观线索的信息与高级别的定位线索在一个非常弱的监督方式。该框架利用两种不同层次的表示，利用边界框和超像素之间的空间关系作为线性约束，同时在限界框和超像素层次上区分前景和背景。不同于以往的方法，主要依赖于判别聚类，我们采用了前景模型，最大限度地减少了所有图像帧的对象的直方图差异。利用超像素和边界框之间的几何关系使得分割线索的传递能够改善定位输出，反之亦然。包括前景模型将我们的判别框架推广到背景往往相似的视频数据，因此没有判别力。我们证明了我们的统一框架的YouTube对象视频数据集，互联网对象发现数据集和Pascal VOC 2007的有效性。
2018-11-26 cs.CV cs.GR cs.LG
Re-purposing SAM into Efficient Visual Projectors for MLLM-Based Referring Image Segmentation
Zhejiang University（浙江大学）
针对MLLM与SAM结合的指代图像分割中视觉token冗余问题，提出利用SAM生成语义超像素作为视觉投影器，减少93%视觉token且不损失性能，显著提升训练推理效率。
2025-09-17 cs.AI cs.CV
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
ViewAL: Active Learning with Viewpoint Entropy for Semantic Segmentation
Technical University of Munich（慕尼黑工业大学）；Google（谷歌）
我们提出了ViewAL，一种新的主动学习策略的语义分割，利用多视图数据集的观点一致性。我们的核心思想是，模型预测的不一致性提供了一个非常可靠的测量不确定性，并鼓励模型表现良好，无论观察对象的观点。为了将这种不确定性的措施，我们引入了一个新的观点熵制定，这是我们的主动学习策略的基础。此外，我们提出了超像素级的不确定性计算，它利用了分割任务中固有的局部信号，直接降低了注释成本。视点熵和超像素的使用的这种组合允许有效地选择高度信息化的样本以改进网络。我们证明了我们提出的主动学习策略不仅可以为相同数量的所需标记数据生成性能最佳的模型，而且还可以显着减少标记工作。例如，我们的方法在SceneNet-RGBD、ScanNet和Matterport 3D上分别使用7%、17%和24%的标记数据实现了95%的最大可实现网络性能。在这些数据集上，最好的最先进的方法在14%，27%和33%的标记数据中实现了相同的性能。最后，我们证明了使用超像素标记与标记整个图像相比，可以产生相同质量的地面实况，但所需时间减少25%。
2020-03-18 cs.CV cs.LG
Superpixel Convolutional Networks using Bilateral Inceptions
Bernstein Center for Computational Neuroscience（伯恩斯坦计算神经科学中心）；Université Paris-Est（巴黎东部大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们提出了一个CNN架构的语义图像分割。我们引入了一个新的“双边初始”模块，该模块可以插入现有的CNN架构中，并在图像中的超像素之间以多个特征尺度执行双边滤波。双边滤波的特征空间和模块的其他参数是使用标准反向传播技术端到端学习的。双边起始模块解决了一般CNN分割架构中出现的两个问题。首先，该模块在（超）像素之间传播信息，同时考虑图像边缘，从而使用问题的结构化信息来改进结果。其次，该层从CNN的较低分辨率解恢复全分辨率分割结果。在实验中，我们通过在最后的CNN（1x1卷积）层之间插入我们的inception模块来修改几个现有的CNN架构。在三个不同数据集上的实证结果显示，不仅与基线网络相比，而且与CRF等几种密集像素预测技术相比，都有可靠的改进，同时在时间上具有竞争力。
2016-08-08 cs.CV
Learning Semantic Segmentation with Query Points Supervision on Aerial Images
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
针对航空图像像素级标注昂贵的问题，提出利用查询点标注生成超像素伪标签的弱监督语义分割方法，在降低标注成本的同时取得接近全监督的性能。
2024-08-05 cs.AI cs.CV cs.LG
Efficient fine-grained road segmentation using superpixel-based CNN and CRF models
University of Duisburg-Essen（杜伊斯堡-埃森大学）
为了安全舒适的驾驶，道路场景分割是基于摄像头的高级驾驶员辅助系统（ADAS）中的一个基本问题。尽管卷积神经网络（CNN）在语义分割方面取得了巨大的成就，但基于CNN的方法的高计算量仍然是一个具有挑战性的领域。在最近的工作中，我们提出了一种新的方法，利用CNN的优势，以合理的计算量进行道路分割。运行时受益于使用不规则的超像素作为CNN而不是图像网格的输入基础，这极大地减少了输入大小。尽管该方法在训练和测试阶段都实现了显著低的计算时间，但是与高成本的现有技术方法相比，超像素域的较低分辨率自然产生较低的准确度。在这项工作中，我们专注于使用条件随机场（CRF）的道路分割的细化。细化过程仅限于接触预测的道路边界的超像素，以保持额外的计算工作量低。减少对超像素域的输入可以使CNN结构保持小而高效的计算，同时保持卷积层的优势，并使它们有资格用于ADAS。应用CRF补偿了精度和计算效率之间的折衷。所提出的系统获得了性能相当的顶级算法之间的KITTI道路基准和其快速推理，使其特别适合于实时应用。
2022-06-22 cs.AI cs.CV cs.LG
