GASP, a generalized framework for agglomerative clustering of signed graphs and its application to Instance Segmentation

要約

階層的凝集クラスタリングの単純で高速なアルゴリズムを、ノード間の魅力的相互作用と反発的相互作用の両方を備えた重み付きグラフに一般化する理論的フレームワークを提案します。
このフレームワークは、符号付きグラフ分割の一般化アルゴリズムであるGASPを定義し、さまざまなリンク基準とリンクできない制約の多くの組み合わせを調査できるようにします。
既存のクラスタリング手法がこれらの組み合わせのいくつかと同等であることを証明し、これまで研究されたことのない組み合わせに対して新しいアルゴリズムを導入します。
これらの組み合わせの理論的および経験的特性の両方を研究し、これらのいくつかがグラフ上で超距離を定義することを証明します。
精度だけでなく、ノイズに対する効率と堅牢性の観点から、合成および既存の署名付きクラスタリング問題の両方について、GASPのさまざまなインスタンス化の体系的な比較を行います。
最後に、フレームワークに含まれるアルゴリズムの一部をCNNモデルからの予測と組み合わせると、単純なボトムアップインスタンスセグメンテーションパイプラインが得られることを示します。
簡単な手順でピクセルから最終セグメントに至るまで、ドメイン固有のスーパーピクセルを必要とせずに、CREMI2016EMセグメンテーションベンチマークで最先端の精度を実現します。

要約(オリジナル)

We propose a theoretical framework that generalizes simple and fast algorithms for hierarchical agglomerative clustering to weighted graphs with both attractive and repulsive interactions between the nodes. This framework defines GASP, a Generalized Algorithm for Signed graph Partitioning, and allows us to explore many combinations of different linkage criteria and cannot-link constraints. We prove the equivalence of existing clustering methods to some of those combinations and introduce new algorithms for combinations that have not been studied before. We study both theoretical and empirical properties of these combinations and prove that some of these define an ultrametric on the graph. We conduct a systematic comparison of various instantiations of GASP on a large variety of both synthetic and existing signed clustering problems, in terms of accuracy but also efficiency and robustness to noise. Lastly, we show that some of the algorithms included in our framework, when combined with the predictions from a CNN model, result in a simple bottom-up instance segmentation pipeline. Going all the way from pixels to final segments with a simple procedure, we achieve state-of-the-art accuracy on the CREMI 2016 EM segmentation benchmark without requiring domain-specific superpixels.

arxiv情報

著者 Alberto Bailoni,Constantin Pape,Nathan Hütsch,Steffen Wolf,Thorsten Beier,Anna Kreshuk,Fred A. Hamprecht
発行日 2022-06-03 12:41:35+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG パーマリンク