Deep Gaussian mixture model for unsupervised image segmentation

最近深度学习的出现导致了大量关于设计监督式深度语义分割算法的工作。由于在许多任务中，获得足够的像素级标签非常困难，因此我们提出了一种将高斯混合模型（GMM）与无监督深度学习技术相结合的方法。在标准的GMM中，每个子区域的像素值都由一个高斯分布进行建模。为了识别不同的区域，必须近似估计最小化关于GMM的负对数似然（NLL）函数的参数向量。通常使用迭代优化方法，如期望最大化（EM）算法来完成此任务。在本文中，我们建议直接使用卷积神经网络（CNN）从图像中估计这些参数。因此，我们更改了EM算法中的期望步骤，将其替换为相对于网络参数的梯度步骤。这意味着网络被训练以最小化GMM的NLL函数，这带来了至少两个优点。一旦训练完成，与耗时的迭代优化方法相比，网络能够非常快速地预测标签概率。其次，由于深度图像先验，我们的方法能够部分地克服GMM的主要缺点之一，即不考虑邻近像素之间的相关性，因为它假设它们之间是独立的。我们通过在多序列MRI图像上进行心肌梗死分割的各种实验来展示我们方法的优点。

论文旨在解决监督式深度语义分割算法中获取足够像素级标签的难题，提出了一种将高斯混合模型与无监督深度学习相结合的方法。

论文提出了使用卷积神经网络直接从图像中估计高斯混合模型的参数向量，从而避免了迭代优化方法的时间消耗，并通过深度图像先验部分克服了高斯混合模型中忽略相邻像素相关性的缺点。

论文在多序列MRI图像的心肌梗死分割等实验中展示了该方法的优越性，并指出该方法的快速预测和深度图像先验的优点。但是，论文并未提供开源代码。

近期在该领域的相关研究包括“Fully Convolutional Networks for Semantic Segmentation”和“U-Net: Convolutional Networks for Biomedical Image Segmentation”。