[论文解读] Fast Planar Correlation Clustering for Image Segmentation

Julian Yarkony, Alexander Ihler+1 more|arXiv (Cornell University)|Aug 2, 2012

Advanced Image and Video Retrieval Techniques参考文献 34被引用 8

一句话总结

本文提出 PlanarCC，一种用于图像分割的快速且全局最优的相关聚类算法，通过在平面图中利用带权完美匹配来计算最优能量的紧致下界。通过重加权边并结合线性规划，该方法在比 ILP 快达 1000 倍的情况下实现近似最优的分割结果，在 BSDS500 数据集上同时在速度和分割质量上优于当前最先进方法。

ABSTRACT

We describe a new optimization scheme for finding high-quality correlation clusterings in planar graphs that uses weighted perfect matching as a subroutine. Our method provides lower-bounds on the energy of the optimal correlation clustering that are typically fast to compute and tight in practice. We demonstrate our algorithm on the problem of image segmentation where this approach outperforms existing global optimization techniques in minimizing the objective and is competitive with the state of the art in producing high-quality segmentations.

研究动机与目标

• 开发一种利用平面图结构的快速、全局最优相关聚类算法，用于图像分割。
• 提供对最优相关聚类能量的紧致且可高效计算的下界。
• 在速度和分割质量两方面均优于现有的全局优化技术（例如 ILP、LP 松弛）。
• 证明该方法在真实世界图像分割基准测试中可实现近似最优解，并具备强大的实际性能。
• 通过提供一种可计算、可证明最优的优化框架，实现局部线索的高效学习，适用于结构化预测。

提出的方法

• 该方法使用带权完美匹配作为子程序，在重加权的平面图中识别候选切割。
• 构建一个线性规划模型，其约束来自通过完美匹配找到的切割，从而形成对最优相关聚类能量的下界。
• 算法通过迭代重加权边并组合切割，逐步优化下界并构造可行的聚类。
• 最终的聚类结果由线性规划的解导出，当下界与目标值相等时，可证明解为近似最优。
• 该方法利用图像图的平面结构以确保可计算性，同时保持高解的质量。
• 该方法整合了局部线索（例如 gPb、OWT）和超像素，使用阈值参数 β 控制分割粒度。

实验结果

研究问题

• RQ1 能否在平面图中高效实现相关聚类方法的全局最优性用于图像分割？
• RQ2 带权完美匹配能否作为子程序，有效生成对最优聚类能量的紧致下界？
• RQ3 该方法在速度和解质量方面与 ILP 和 LP 松弛相比表现如何？
• RQ4 该方法是否在分割准确性和能量最小化方面优于贪婪区域合并算法（如 UCM）？
• RQ5 该方法能否作为结构化预测在图像分割中的实用、可证明最优的框架？

主要发现

• PlanarCC 在 BSDS500 上相比 ILP 实现了 10 至 1000 倍的速度提升，尤其在粗粒度分割（β = 0.35）时增益最大。
• 该方法提供了紧致的下界，几乎总与输出聚类的目标值相等，从而在实践中可证明全局最优性。
• PlanarCC 在 F-measure 上优于非长度加权的 UCM 变体（0.70 vs. 0.65），在区域基准测试中表现相当或略优。
• 在所有测试阈值下，该算法返回的能量低于 UCM，表明 UCM 对相关聚类目标函数并非最优。
• 在区域基准测试中，PlanarCC 实现了 0.65 的 GT 覆盖 OIS，略优于 UCM 的 0.64（当为每幅图像选择最优阈值时）。
• 该方法在长轮廓占主导的粗粒度分割场景中尤为有效，相比 ILP 显著提升速度，同时保持高精度。