論文の概要: Hierarchical Superpixel Segmentation via Structural Information Theory

• arxiv url: http://arxiv.org/abs/2501.07069v1
• Date: Mon, 13 Jan 2025 05:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:24:21.045659
• Title: Hierarchical Superpixel Segmentation via Structural Information Theory
• Title（参考訳）: 構造情報理論による階層型スーパーピクセルセグメンテーション
• Authors: Minhui Xie, Hao Peng, Pu Li, Guangjie Zeng, Shuhai Wang, Jia Wu, Peng Li, Philip S. Yu,
• Abstract要約: スーパーピクセルセグメンテーションは多くの高レベルのコンピュータビジョンタスクの基礎となっている。 構造情報理論に基づく階層的スーパーピクセルセグメンテーション手法であるSIT-HSSを提案する。 SIT-HSSは、最先端の教師なしスーパーピクセルセグメンテーションアルゴリズムよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 48.488598357738674
• License:
• Abstract: Superpixel segmentation is a foundation for many higher-level computer vision tasks, such as image segmentation, object recognition, and scene understanding. Existing graph-based superpixel segmentation methods typically concentrate on the relationships between a given pixel and its directly adjacent pixels while overlooking the influence of non-adjacent pixels. These approaches do not fully leverage the global information in the graph, leading to suboptimal segmentation quality. To address this limitation, we present SIT-HSS, a hierarchical superpixel segmentation method based on structural information theory. Specifically, we first design a novel graph construction strategy that incrementally explores the pixel neighborhood to add edges based on 1-dimensional structural entropy (1D SE). This strategy maximizes the retention of graph information while avoiding an overly complex graph structure. Then, we design a new 2D SE-guided hierarchical graph partitioning method, which iteratively merges pixel clusters layer by layer to reduce the graph's 2D SE until a predefined segmentation scale is achieved. Experimental results on three benchmark datasets demonstrate that the SIT-HSS performs better than state-of-the-art unsupervised superpixel segmentation algorithms. The source code is available at \url{https://github.com/SELGroup/SIT-HSS}.
• Abstract（参考訳）: スーパーピクセルセグメンテーションは、画像セグメンテーション、オブジェクト認識、シーン理解など、多くの高度なコンピュータビジョンタスクの基礎となっている。 既存のグラフベースのスーパーピクセルセグメンテーション法は、通常、非隣接ピクセルの影響を見越しながら、与えられたピクセルとその隣接ピクセルの関係に集中する。 これらの手法はグラフのグローバルな情報を完全に活用せず、最適部分分割の品質をもたらす。 この制限に対処するため,構造情報理論に基づく階層型スーパーピクセル分割法であるSIT-HSSを提案する。 具体的には,1次元構造エントロピー(1D SE)に基づくエッジの追加のために,ピクセル近傍を漸進的に探索する新しいグラフ構築戦略を最初に設計する。 この戦略は、過剰に複雑なグラフ構造を避けながら、グラフ情報の保持を最大化する。 そこで,我々は2次元SE誘導階層グラフ分割法を新たに設計し,事前に定義されたセグメンテーションスケールに到達するまでグラフの2次元SEを低減するため,画素クラスタ層を層単位で反復的にマージする。 3つのベンチマークデータセットの実験結果から、SIT-HSSは最先端の教師なしスーパーピクセルセグメンテーションアルゴリズムよりも優れた性能を示している。 ソースコードは \url{https://github.com/SELGroup/SIT-HSS} で入手できる。

関連論文リスト

• Graph Information Bottleneck for Remote Sensing Segmentation [8.879224757610368]
  本稿では、画像をグラフ構造として扱い、リモートセンシングセグメンテーションのための単純なコントラスト視覚GNNアーキテクチャを提案する。 具体的には,ノードマップとエッジマップのグラフビューを構築し,最適なグラフ構造表現を得る。 UNetの畳み込みモジュールをSC-ViGモジュールに置き換え、セグメンテーションと分類タスクを完成させる。
  論文  参考訳（メタデータ） (2023-12-05T07:23:22Z)
• Deep Hierarchical Semantic Segmentation [76.40565872257709]
  階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。 HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。 階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
  論文  参考訳（メタデータ） (2022-03-27T15:47:44Z)
• Adaptive Fusion Affinity Graph with Noise-free Online Low-rank Representation for Natural Image Segmentation [3.7189024338041836]
  本稿では,自然画像分割のための適応アフィニティ融合グラフ(AFAグラフ)を提案する。 BSD300、BSD500、MSRC、PASCAL VOCの実験結果は、最先端のアプローチと比較してAFAグラフの有効性を示している。
  論文  参考訳（メタデータ） (2021-10-22T10:15:27Z)
• Maximize the Exploration of Congeneric Semantics for Weakly Supervised Semantic Segmentation [27.155133686127474]
  グラフニューラルネットワーク(P-GNN)を,同一のクラスラベルを含む異なる画像からの自己検出パッチに基づいて構築する。 PASCAL VOC 2012ベンチマークで実験を行い、そのモデルにより最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-10-08T08:59:16Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• 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)
• Semi-supervised Hyperspectral Image Classification with Graph Clustering Convolutional Networks [41.78245271989529]
  HSI分類のためのグラフ畳み込みネットワーク(GCN)に基づくフレームワークを提案する。 特に、類似のスペクトル特徴を持つ画素をスーパーピクセルにまずクラスターし、入力したhsiのスーパーピクセルに基づいてグラフを構築する。 その後、エッジを弱い重みで刻むことでいくつかの部分グラフに分割し、高い類似性を持つノードの相関性を強化する。
  論文  参考訳（メタデータ） (2020-12-20T14:16:59Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。