【超像素分割】开源 | 一种基于深度学习的超像素分割算法SIN，可以端到端与下游任务相结合

获取完整原文和代码，公众号回复：10090746870

论文地址： http://arxiv.org/pdf/2110.08702v1.pdf

代码： 公众号回复：10090746870

来源： 华中科技大学

论文名称：SIN: Superpixel Interpolation Network

原文作者：Qing Yuan

内容提要

超像素以其高效的表征和计算能力在计算机视觉任务中得到了广泛的应用。与此同时，深度学习和端到端框架在包括计算机视觉在内的各个领域都取得了很大的进步。但是，现有的超像素算法无法端到端集成到后续的任务中。传统算法和基于深度学习的算法是超像素分割的两大主流。前者是不可微的，后者需要一个不可微的后处理步骤来加强连通性，这限制了超像素与下游任务的整合。在本文中，我们提出了一种基于深度学习的超像素分割算法SIN，该算法可以端到端与下游任务相结合。由于一些下游任务，如视觉跟踪需要实时速度，生成超像素的速度也很重要。为了去除后处理步骤，我们的算法从一开始就加强空间连通性。超级像素由采样像素初始化，其他像素通过多个更新步骤分配给超级像素。每个步骤由水平和垂直插值组成，这是加强空间连接的关键。利用全卷积网络的多层输出预测插值的关联分数。实验结果表明，我们的方法运行在大约80fps，性能优于最先进的方法。此外，我们设计了一个简单而有效的损失函数，减少了大量的训练时间。通过对超像素任务的改进，验证了算法的有效性。我们希望SIN能够以端到端的方式整合到下游的任务中，并使基于超像素的社区受益。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。