論文の概要: Superpixel Segmentation Based on Spatially Constrained Subspace Clustering

• arxiv url: http://arxiv.org/abs/2012.06149v1
• Date: Fri, 11 Dec 2020 06:18:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 03:01:36.596464
• Title: Superpixel Segmentation Based on Spatially Constrained Subspace Clustering
• Title（参考訳）: 空間制約付きサブスペースクラスタリングに基づくスーパーピクセルセグメンテーション
• Authors: Hua Li, Yuheng Jia, Runmin Cong, Wenhui Wu, Sam Kwong, and Chuanbo Chen
• Abstract要約: 独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
• 参考スコア（独自算出の注目度）: 57.76302397774641
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Superpixel segmentation aims at dividing the input image into some representative regions containing pixels with similar and consistent intrinsic properties, without any prior knowledge about the shape and size of each superpixel. In this paper, to alleviate the limitation of superpixel segmentation applied in practical industrial tasks that detailed boundaries are difficult to be kept, we regard each representative region with independent semantic information as a subspace, and correspondingly formulate superpixel segmentation as a subspace clustering problem to preserve more detailed content boundaries. We show that a simple integration of superpixel segmentation with the conventional subspace clustering does not effectively work due to the spatial correlation of the pixels within a superpixel, which may lead to boundary confusion and segmentation error when the correlation is ignored. Consequently, we devise a spatial regularization and propose a novel convex locality-constrained subspace clustering model that is able to constrain the spatial adjacent pixels with similar attributes to be clustered into a superpixel and generate the content-aware superpixels with more detailed boundaries. Finally, the proposed model is solved by an efficient alternating direction method of multipliers (ADMM) solver. Experiments on different standard datasets demonstrate that the proposed method achieves superior performance both quantitatively and qualitatively compared with some state-of-the-art methods.
• Abstract（参考訳）: スーパーピクセルセグメンテーション(Superpixel segmentation)は、入力画像を、各スーパーピクセルの形状と大きさに関する事前の知識なしに、類似で一貫した固有の特性を持つ画素を含むいくつかの代表領域に分割することを目的とする。 本稿では,細部境界の維持が困難である産業作業におけるスーパーピクセルセグメンテーションの限界を軽減するため,各代表領域に独立したセマンティック情報をサブスペースとみなし,それに対応するスーパーピクセルセグメンテーションをサブスペースクラスタリング問題として定式化し,より詳細なコンテンツバウンダリを保存する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの単純な統合は、スーパーピクセル内のピクセルの空間的相関のために効果的に機能しないため、相関を無視すると境界混乱やセグメンテーションエラーを引き起こす可能性がある。 その結果,空間正規化を考案し,空間隣接画素を類似属性で制約し,より詳細な境界を持つコンテンツ対応スーパーピクセルを生成することのできる,凸局所性制約付きサブスペースクラスタリングモデルを提案する。 最後に,乗算器 (ADMM) の効率的な交互方向法により,提案手法を解く。 異なる標準データセットに対する実験により,提案手法は,いくつかの最先端手法と比較して,定量的かつ質的に優れた性能を発揮することが示された。

関連論文リスト

• QMambaBSR: Burst Image Super-Resolution with Query State Space Model [55.56075874424194]
  バースト超解像度は、複数のバースト低解像度フレームからサブピクセル情報を融合することにより、高画質でよりリッチな細部で高解像度の画像を再構成することを目的としている。 BusrtSRにおいて鍵となる課題は、高周波ノイズ障害を同時に抑制しつつ、ベースフレームの補完的なサブピクセルの詳細を抽出することである。 本稿では,Query State Space Model (QSSM) とAdaptive Up-Sampling Module (AdaUp) を組み合わせた新しいQuery Mamba Burst Super-Resolution (QMambaBSR) ネットワークを紹介する。
  論文  参考訳（メタデータ） (2024-08-16T11:15:29Z)
• Superpixel Graph Contrastive Clustering with Semantic-Invariant Augmentations for Hyperspectral Images [64.72242126879503]
  ハイパースペクトル画像(HSI)クラスタリングは重要な課題だが難しい課題である。 まず3次元と2次元のハイブリッド畳み込みニューラルネットワークを用いてHSIの高次空間およびスペクトルの特徴を抽出する。 次に,超画素グラフの対比クラスタリングモデルを設計し,識別的超画素表現を学習する。
  論文  参考訳（メタデータ） (2024-03-04T07:40:55Z)
• Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
  学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。 本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。 4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-28T09:46:56Z)
• Pixel-Level Clustering Network for Unsupervised Image Segmentation [3.69853388955692]
  画像の領域分割のためのピクセルレベルのクラスタリングフレームワークを,地上の真理アノテーションを使わずに提案する。 また、各スーパーピクセル間の一貫性、隣接するスーパーピクセル間の相似性/相似性、画像間の構造的類似性を利用したトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-24T23:06:29Z)
• Unsupervised Superpixel Generation using Edge-Sparse Embedding [18.92698251515116]
  特徴に対する画素の類似性に基づいて画像をスーパーピクセルに分割することは、データの複雑さを著しく減らし、その後の画像処理タスクを改善する。 コントラストの少ない非畳み込み画像デコーダを提案し、再構成画像にスムーズで接続されたエッジを強制する。 我々はデコーダの最後に隠された層から、余分な空間情報をスムーズなアクティベーションマップに符号化してエッジスパース画素埋め込みを生成し、標準クラスタリングアルゴリズムを用いて高品質なスーパーピクセルを抽出する。
  論文  参考訳（メタデータ） (2022-11-28T15:55:05Z)
• Decoupled-and-Coupled Networks: Self-Supervised Hyperspectral Image Super-Resolution with Subpixel Fusion [67.35540259040806]
  サブピクセルレベルのHS超解像フレームワークを提案する。 名前が示すように、DC-Netはまず入力を共通(またはクロスセンサー)とセンサー固有のコンポーネントに分離する。 我々は,CSUネットの裏側に自己教師付き学習モジュールを付加し,素材の整合性を保証し,復元されたHS製品の詳細な外観を向上する。
  論文  参考訳（メタデータ） (2022-05-07T23:40:36Z)
• Hyperbolic Image Segmentation [16.50554261593531]
  双曲空間における階層的ピクセルレベル分類の抽出可能な定式化を提案する。 Hyperbolic Imageは、セグメンテーションの新たな可能性と実用的メリットを開放する。
  論文  参考訳（メタデータ） (2022-03-11T13:07:51Z)
• Superpixel-guided Discriminative Low-rank Representation of Hyperspectral Images for Classification [49.32130776974202]
  SP-DLRRは2つのモジュール、すなわち分類誘導スーパーピクセルセグメンテーションと識別低ランク表現で構成されている。 3つのベンチマークデータセットの実験結果から,SP-DLRRが最先端手法よりも有意な優位性を示した。
  論文  参考訳（メタデータ） (2021-08-25T10:47:26Z)
• AINet: Association Implantation for Superpixel Segmentation [82.21559299694555]
  今回提案する新しいtextbfAssociation textbfImplantation(AI)モジュールは、ネットワークがピクセルとその周辺グリッド間の関係を明示的にキャプチャすることを可能にする。 本手法は最先端性能を実現するだけでなく,十分な推論効率を維持することができた。
  論文  参考訳（メタデータ） (2021-01-26T10:40:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。