A Sparse Graph Formulation for Efficient Spectral Image Segmentation

要約

スペクトル クラスタリングは、セグメンテーションの問題を解決するための最も伝統的な方法の 1 つです。
正規化カットに基づいて、グラフで定義された目的関数を使用して画像を分割することを目的としています。
数学的魅力にもかかわらず、スペクトルアプローチは、実際的な問題とパフォーマンスが低いため、伝統的に科学界から無視されてきました。
この論文では、単純なグリッド グラフに余分なノードを含めることに基づいたスパース グラフ定式化を採用します。
グリッドはピクセルの空間配置をエンコードしますが、追加のノードはピクセルのカラー データを考慮します。
オリジナルの正規化カット アルゴリズムをこのグラフに適用すると、解釈可能なソリューションを備えたスペクトル画像セグメンテーションのためのシンプルでスケーラブルな方法が得られます。
私たちの実験では、私たちが提案した方法論が、実際のデータと合成データの両方でセグメンテーションを行うための従来の教師なしアルゴリズムと最新の教師なしアルゴリズムの両方を上回って実行されることも示しています。

要約(オリジナル)

Spectral Clustering is one of the most traditional methods to solve segmentation problems. Based on Normalized Cuts, it aims at partitioning an image using an objective function defined by a graph. Despite their mathematical attractiveness, spectral approaches are traditionally neglected by the scientific community due to their practical issues and underperformance. In this paper, we adopt a sparse graph formulation based on the inclusion of extra nodes to a simple grid graph. While the grid encodes the pixel spatial disposition, the extra nodes account for the pixel color data. Applying the original Normalized Cuts algorithm to this graph leads to a simple and scalable method for spectral image segmentation, with an interpretable solution. Our experiments also demonstrate that our proposed methodology over performs both traditional and modern unsupervised algorithms for segmentation in both real and synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google