基于级联度量学习交互式图像分割方法研究.pdfVIP

交互通过级联度量学习的图像分割

斌，，，高阳

大学新型软件技术国家重点，新型软件技术及协同创新，中

国

在本文中，我们从级联度量学习的新视角提出了一种交正样本

互式图像分割方法。给定一幅带有用户标记的涂鸦的图特征空间

像，这些涂鸦本质上是不确定和有噪声的，我们的方法负样本

通过解决一个二分类问题来完成分割任务。从具有已知

类别的初始训练样本（即，被认为是前景或背景的未标注样本变换空间

分割结果

高置信度区域）开始，我们首先找到一个能够地描

述这些样本分类的最优度量。，我们使用学到的度图1.所提出方法的概述，用于交互式图像分割。

量对未标记的样本进行分类。分类置信度高的样本被用

作新的训练样本以优化度量。这一度量学习和分类的循

相关的基于边界框的方法包括GrabCut

环重复进行，直到完成图像分割任务。所方法在

GrabCut‑PinpointMILCut等。

MSRC图像集上进行了广泛评估。实验结果表明，我们在本文中，我们通过研究级联度量学习的新视角，

的方法优于现有最先进方法。对基于涂鸦的方法进行了更深入的探讨。基本上，度量

学习及其变体（例如，LMNNITML

索引术语—级联度量学习，交互式图像分割，样本选MCMLBoostMD‑M等）旨在学习最优度量，

择。将原始特征空间映射到更具判别性和信息性的空间，以提

高泛化能力。度量学习已成功应用于各种计算机视觉任

1.引言务，包括图像检索图像分割人脸识别

和视觉。

交互式图像分割通常结合用户指导（例如，用户的

然而，度量学习方法不能立即应用于图像分割。由

涂鸦或边界框），是计算机视觉和图像处理研究领域中

于手绘标记的随机性和不确定性，在每次交互过程中，

最重要的任务之一，也是最具性的任务之一。近年

标记集可能包含不同的前景和背景样本。为此，我们提

来，已经开发出几种交互式图像分割方法。根据所使用

出了一种新的鲁棒级联度量学习方法用于交互式图像分

的不同交互策略，现有方法可以分为两类：基于涂鸦的

割。具体来说，在将每个非超像素表示为具有相同

方法和基于边界框的方法。在基于涂鸦的方法中，用户

维度的特征向量后，我们的级联度量学习策略将通过迭

首先几个涂鸦以指示前景和背景的部分，然后算法

代来分割图像。

将通过结合指定的涂鸦来分割图像。相关的基于涂鸦的

方法包括GraphCu