論文の概要: Superpixels algorithms through network community detection
- arxiv url: http://arxiv.org/abs/2308.14101v1
- Date: Sun, 27 Aug 2023 13:13:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:56:38.257376
- Title: Superpixels algorithms through network community detection
- Title（参考訳）: ネットワークコミュニティ検出によるスーパーピクセルアルゴリズム
- Authors: Anthony Perez
- Abstract要約: コミュニティ検出は複雑なネットワーク分析の強力なツールであり、様々な研究分野の応用を見出すことができる。
スーパーピクセルは、可能な限りオリジナル情報を保存しながら、画像をより小さなレベルで表現することを目的としている。
4つの連結画素グラフ上で,最先端のコミュニティ検出アルゴリズムによって計算されたスーパーピクセルの効率について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community detection is a powerful tool from complex networks analysis that
finds applications in various research areas. Several image segmentation
methods rely for instance on community detection algorithms as a black box in
order to compute undersegmentations, i.e. a small number of regions that
represent areas of interest of the image. However, to the best of our
knowledge, the efficiency of such an approach w.r.t. superpixels, that aim at
representing the image at a smaller level while preserving as much as possible
original information, has been neglected so far. The only related work seems to
be the one by Liu et. al. (IET Image Processing, 2022) that developed a
superpixels algorithm using a so-called modularity maximization approach,
leading to relevant results. We follow this line of research by studying the
efficiency of superpixels computed by state-of-the-art community detection
algorithms on a 4-connected pixel graph, so-called pixel-grid. We first detect
communities on such a graph and then apply a simple merging procedure that
allows to obtain the desired number of superpixels. As we shall see, such
methods result in the computation of relevant superpixels as emphasized by both
qualitative and quantitative experiments, according to different widely-used
metrics based on ground-truth comparison or on superpixels only. We observe
that the choice of the community detection algorithm has a great impact on the
number of communities and hence on the merging procedure. Similarly, small
variations on the pixel-grid may provide different results from both
qualitative and quantitative viewpoints. For the sake of completeness, we
compare our results with those of several state-of-the-art superpixels
algorithms as computed by Stutz et al. (Computer Vision and Image
Understanding, 2018).
- Abstract（参考訳）: コミュニティ検出は複雑なネットワーク分析の強力なツールであり、様々な研究分野の応用を見出すことができる。
いくつかの画像分割法は、例えば、画像の関心領域を表す少数の領域の下位部分を計算するために、ブラックボックスとしてコミュニティ検出アルゴリズムに頼っている。
しかし、我々の知る限りでは、可能な限りオリジナル情報を保存しながら、より小さなレベルで画像を表現することを目的としたスーパーピクセルによるアプローチの効率は、これまで無視されてきた。
関連する唯一の作品は、liuらによるものである。
al. (iet image processing, 2022) はモジュラリティ最大化アプローチを用いたスーパーピクセルアルゴリズムを開発し、関連する結果をもたらした。
我々は,4-connected pixel graph(いわゆるpixel-grid)上で,最先端のコミュニティ検出アルゴリズムによって計算されたスーパーピクセルの効率性について検討する。
まず、このようなグラフ上のコミュニティを検出し、必要な数のスーパーピクセルを得るための単純なマージ手順を適用する。
以上のように、このような手法は、地上比較やスーパーピクセルのみに基づいて、異なる広く使われている指標に基づいて、質的および定量的な実験の両方で強調されるように、関連するスーパーピクセルの計算結果をもたらす。
我々は,コミュニティ検出アルゴリズムの選択がコミュニティの数,すなわちマージ手順に大きな影響を与えることを観察した。
同様に、ピクセルグリッド上の小さな変化は、質的および定量的な観点から異なる結果をもたらす可能性がある。
完全性のために、Stutzらによって計算されたいくつかの最先端のスーパーピクセルアルゴリズムと比較する(Computer Vision and Image Understanding, 2018)。
関連論文リスト
- Parameter-Inverted Image Pyramid Networks [49.35689698870247]
Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。
私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。
PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-06-06T17:59:10Z) - Image Reconstruction using Superpixel Clustering and Tensor Completion [21.088385725444944]
本手法では,重要なテクスチャやセマンティクスを捉えた複数の領域に分割し,各領域から代表画素を選択して保存する。
本稿では,2つのスムーズなテンソル補完アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-16T16:00:48Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - Efficient Multiscale Object-based Superpixel Framework [62.48475585798724]
我々は,SICLE(Iterative CLEarcutting)によるスーパーピクセルという,新しいスーパーピクセルフレームワークを提案する。
SICLEは、複数スケールのセグメンテーションをオンザフライで生成できるオブジェクト情報を利用する。
これは最近のスーパーピクセル法を一般化し、複数のデライン化指標に従って効率と効率性に関する最先端のアプローチを超越している。
論文 参考訳（メタデータ） (2022-04-07T15:59:38Z) - Saliency Enhancement using Superpixel Similarity [77.34726150561087]
Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。
深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。
スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。
我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
論文 参考訳（メタデータ） (2021-12-01T17:22:54Z) - SIN:Superpixel Interpolation Network [9.046310874823002]
従来のアルゴリズムとディープラーニングベースのアルゴリズムは、スーパーピクセルセグメンテーションにおける2つの主要なストリームである。
本稿では,エンド・ツー・エンド方式で下流タスクと統合可能な深層学習に基づくスーパーピクセルセグメンテーションアルゴリズムSINを提案する。
論文 参考訳（メタデータ） (2021-10-17T02:21:11Z) - Deep Superpixel Cut for Unsupervised Image Segmentation [0.9281671380673306]
本稿では,下記の2段階を含む画像分割の教師なし手法を提案する。
まず,スーパーピクセルワイドオートエンコーダ(SuperAE)を用いて,スムーズな画像の埋め込みと再構成を学習し,そのスムーズな画像を渡してスーパーピクセルを生成する。
次に,超画素間の深い類似度を測定し,ソフトパーティショニング問題として画像分割を定式化する,deep superpixel cut(dsc)と呼ばれる新しいクラスタリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-10T13:07:41Z) - 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) - Superpixel Segmentation Based on Spatially Constrained Subspace
Clustering [57.76302397774641]
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。
論文 参考訳（メタデータ） (2020-12-11T06:18:36Z) - Superpixel Segmentation with Fully Convolutional Networks [32.878045921919714]
本稿では,通常の画像グリッド上でのスーパーピクセルの予測に完全畳み込みネットワークを用いる新しい手法を提案する。
ベンチマーク・データセットによる実験結果から,提案手法は最先端のスーパーピクセル・セグメンテーション性能を実現することが示された。
ステレオマッチングのための人気のあるネットワークアーキテクチャを改良し、スーパーピクセルと格差を同時に予測する。
論文 参考訳（メタデータ） (2020-03-29T02:42:07Z)
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。