无监督图像分割

Question

我正在尝试实现一种算法，在这种算法中，给定一个平面表上有多个对象的图像，所需的是每个对象的分割掩码的输出。与CNN不同的是，这里的目标是在不熟悉的环境中检测物体。解决这个问题的最佳方法是什么？此外，网上是否有任何实现示例？

编辑:对不起，问题可能有点误导人。我所说的“不熟悉的环境”的意思是，该算法可能不知道对象。算法不需要了解对象是什么，而应该只检测对象。我应该如何处理这个问题？

Answer 1

快速女装

平均位移LSH是O(n^2)中著名的Mean算法在O(n)中的一次升级，因其图像分割能力而闻名。

关于

的一些解释

如果你想要一个真正的无监督的方法分割图像，使用聚类算法。事实上，有很多算法具有不同的时间复杂度和特异性。以最著名的K-Means为例，它在O(n)中的速度非常快，但您必须指定您想要的集群数量--这不是您想要的--通过探索一个未知的图像，而没有任何信息说明其中有多少个形状。此外，即使你假设你知道有多少形状存在，我们也可以假设形状是随机的，这是K-Means失败的另一点，因为它是为了寻找椭圆簇而不是随机形状的。

相反，我们有一个均值偏移，它能够自动找到集群的数目--当你不知道你在寻找什么的时候，这是有用的--随机形状。

当然，您可以将K参数K-Means替换为其他的Shift参数，这可能很难精确调优，但如果您不练习魔术，则不存在允许您执行魔术的工具。

--对图像分割聚类

的建议

转换您的颜色空间从RGB到LUV，这是更好的欧几里德距离。

K-Means vs Mean LSH时复杂度

• 均值偏移：O(\alpha.n)
• K-均值：O(\beta.n)

\alpha \gt \beta

Mean较慢，但更适合您的需要。它仍然是线性的，并且使用上述实现也是可伸缩的。

PS :我的个人资料图片是一个应用的均值移动LSH在我自己，如果它可以帮助了解它如何工作。

Answer 2

您可能需要查看一下提交并接受的2018年CVPR：学会分割每一件事物的这项工作。

在这项工作中，他们试图分割所有东西，甚至是网络所不知道的对象。掩码R-CNN已经被使用，与一个传输学习子网络相结合，它们在分割几乎所有东西上都取得了很好的效果。

Answer 3

事实上，你的任务是被监督的。对于您的目的，Segnet可以是一个很好的体系结构，它的实现之一可以被这里访问。SegNet从监督学习中学习预测像素级标签.因此，我们需要一个输入图像的数据集与相应的地面真相标签。标签图像必须是单个通道，每个像素都用其类..。标记。

另外，请看一看全卷积网络，它非常适合您的任务。

根据问题中的编辑，我添加了额外的信息。有许多方法可以应用于此任务。基本上，最简单的方法是使用背景标签，并通过使用上述体系结构对那些您不知道为背景的类进行分类。通过这样做，您将拥有可能与背景类重叠的标签，这可能是这种方法的缺点之一，但它的优点是，在输入中经常使用训练有素的标签的情况下，您可以使用相对较轻的体系结构版本来识别未知类。