DynaSeg: A Deep Dynamic Fusion Method for Unsupervised Image Segmentation Incorporating Feature Similarity and Spatial Continuity

我们的工作解决了计算机视觉中图像分割的基本挑战，这对于各种应用至关重要。虽然监督方法表现出熟练的技能，但它们对广泛的像素级注释的依赖限制了可扩展性。针对这一挑战，我们提出了一种增强的无监督卷积神经网络（CNN）算法，称为DynaSeg。与传统方法依赖于固定的权重因子来平衡特征相似性和空间连续性，需要手动调整不同，我们的新颖的动态加权方案自动调整参数，灵活适应图像细节。我们还引入了“轮廓分数阶段”的新概念，以解决迭代期间动态聚类的挑战。此外，我们的方法还整合了基于CNN和预训练的ResNet特征提取，提供了一种全面且可适应的方法。我们在各种数据集上实现了最先进的结果，在COCO-All和COCO-Stuff上与当前基准相比，分别取得了12.2％和14.12％的mIOU改进。所提出的方法通过消除对精细参数调整的需求，释放了无监督图像分割的潜力，并解决了现实场景中的可扩展性问题。

本论文旨在解决计算机视觉中图像分割的基本挑战，即需要大量的像素级注释来支持监督式方法，限制了可扩展性。

本论文提出了一种增强的无监督卷积神经网络（CNN）算法DynaSeg，采用动态加权方案自动调整参数，适应图像细节。

DynaSeg算法结合了CNN和预训练的ResNet特征提取，实现了无监督图像分割，并且在多个数据集上实现了最先进的结果。实验表明，DynaSeg算法在COCO-All和COCO-Stuff数据集上的mIOU分别比当前基准提高了12.2％和14.12％。

与本论文相关的研究包括Mask R-CNN、U-Net和DeepLab等。