論文の概要: PSSI-MaxST: An Efficient Pixel-Segment Similarity Index Using Intensity and Smoothness Features for Maximum Spanning Tree Based Segmentation

• arxiv url: http://arxiv.org/abs/2601.11654v1
• Date: Thu, 15 Jan 2026 18:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.255261
• Title: PSSI-MaxST: An Efficient Pixel-Segment Similarity Index Using Intensity and Smoothness Features for Maximum Spanning Tree Based Segmentation
• Title（参考訳）: PSSI-MaxST:最大スパンニング木分割のためのインテンシティとスムースネス特徴を用いた効率的な画素分割類似度指数
• Authors: Kaustubh Shivshankar Shejole, Gaurav Mishra,
• Abstract要約: 対話型グラフベースセグメンテーション手法は,ユーザ入力の助けを借りて,イメージを前景領域と背景領域に分割する。 既存のアプローチは、しばしば高い計算コスト、ユーザインタラクションへの敏感さ、前景と背景が類似した色分布を共有する場合のパフォーマンス低下に悩まされる。 画素強度と空間的滑らか度を両立させた新しい画素分割類似度指数(PSSI)を提案する。
• 参考スコア（独自算出の注目度）: 0.8205354750644839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive graph-based segmentation methods partition an image into foreground and background regions with the aid of user inputs. However, existing approaches often suffer from high computational costs, sensitivity to user interactions, and degraded performance when the foreground and background share similar color distributions. A key factor influencing segmentation performance is the similarity measure used for assigning edge weights in the graph. To address these challenges, we propose a novel Pixel Segment Similarity Index (PSSI), which leverages the harmonic mean of inter-channel similarities by incorporating both pixel intensity and spatial smoothness features. The harmonic mean effectively penalizes dissimilarities in any individual channel, enhancing robustness. The computational complexity of PSSI is $\mathcal{O}(B)$, where $B$ denotes the number of histogram bins. Our segmentation framework begins with low-level segmentation using MeanShift, which effectively captures color, texture, and segment shape. Based on the resulting pixel segments, we construct a pixel-segment graph with edge weights determined by PSSI. For partitioning, we employ the Maximum Spanning Tree (MaxST), which captures strongly connected local neighborhoods beneficial for precise segmentation. The integration of the proposed PSSI, MeanShift, and MaxST allows our method to jointly capture color similarity, smoothness, texture, shape, and strong local connectivity. Experimental evaluations on the GrabCut and Images250 datasets demonstrate that our method consistently outperforms current graph-based interactive segmentation methods such as AMOE, OneCut, and SSNCut in terms of segmentation quality, as measured by Jaccard Index (IoU), $F_1$ score, execution time and Mean Error (ME). Code is publicly available at: https://github.com/KaustubhShejole/PSSI-MaxST.
• Abstract（参考訳）: 対話型グラフベースセグメンテーション手法は,ユーザ入力の助けを借りて,イメージを前景領域と背景領域に分割する。 しかし、既存のアプローチは、高い計算コスト、ユーザインタラクションへの敏感さ、前景と背景が類似した色分布を共有する場合のパフォーマンス低下に悩まされることが多い。 セグメンテーション性能に影響を与える重要な要因は、グラフのエッジ重み付けに使用される類似度尺度である。 これらの課題に対処するため,我々は,画素強度と空間的滑らか度を両立させて,チャネル間類似度の調和平均を利用する新しい画素セグメント類似度指数(PSSI)を提案する。 ハーモニック平均は、個々のチャネルの相違を効果的に罰し、堅牢性を高める。 PSSIの計算複雑性は$\mathcal{O}(B)$であり、$B$はヒストグラムビンの数を表す。 私たちのセグメンテーションフレームワークは、色、テクスチャ、セグメント形状を効果的にキャプチャするMeanShiftを使って、低レベルセグメンテーションから始まります。 得られた画素セグメントに基づいて,PSSIによって決定されるエッジ重み付き画素セグメントグラフを構築する。 分割にはMaxST(Maximum Spanning Tree)を用いる。 提案したPSSI, MeanShift, MaxSTの統合により,色の類似性,滑らかさ,テクスチャ,形状,および強い局所接続性を両立させることができる。 GrabCut と Images250 データセットの実験的評価により,この手法は Jaccard Index (IoU), $F_1$ score, execution time, Mean Error (ME) によって測定された,AMOE, OneCut, SSNCut などのグラフベースのインタラクティブセグメンテーション手法を常に上回っていることが示された。 コードはhttps://github.com/KaustubhShejole/PSSI-MaxSTで公開されている。

関連論文リスト

• Hierarchical Superpixel Segmentation via Structural Information Theory [48.488598357738674]
  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。
  論文  参考訳（メタデータ） (2025-01-13T05:39:43Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation [141.16965264264195]
  Sparsely Annotated semantic segmentation (SASS) は、粗い粒度の監督によるセグメンテーションネットワークのトレーニングを目的としている。 ラベルなし画素のセマンティックガイダンスを提供することにより,SASSの新たなツリーエネルギー損失を提案する。
  論文  参考訳（メタデータ） (2022-03-21T05:16:23Z)
• 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)
• 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)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Affinity Fusion Graph-based Framework for Natural Image Segmentation [20.674669923674834]
  このフレームワークは、マルチスケールスーパーピクセルの親和性ノードと呼ばれる新しい定義に従って、隣接グラフとカーネルスペクトルクラスタリングベースのグラフ(KSCグラフ)を組み合わせる。 KSCグラフは、これらの親和性ノード間の非線形関係を探索するために、新しいカーネルスペクトルクラスタリングによって構築される。 各スケールでの隣接グラフを構築し、アフィニティノードで提案されたKSCグラフを更新するためにさらに使用される。
  論文  参考訳（メタデータ） (2020-06-24T08:01:10Z)
• Building Networks for Image Segmentation using Particle Competition and Cooperation [0.0]
  粒子競合と協調 (PCC) はグラフに基づく半教師あり学習手法である。 PCCを供給するための適切なネットワークの構築は、より良いセグメンテーション結果を達成するために不可欠である。 候補ネットワークを評価する指標を提案する。
  論文  参考訳（メタデータ） (2020-02-14T12:45:12Z)
• The Semantic Mutex Watershed for Efficient Bottom-Up Semantic Instance Segmentation [15.768804877756384]
  本稿では,共同グラフ分割とラベリングのためのグリーディアルゴリズムを提案する。 アルゴリズムの効率のため、イメージをスーパーピクセルにオーバーセグメンテーションすることなく、直接ピクセル上で操作することができる。
  論文  参考訳（メタデータ） (2019-12-29T19:48:39Z)

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。