[论文解读] FLIC: Fast Linear Iterative Clustering with Active Search

Jiaxing Zhao, Bo Ren+3 more|arXiv (Cornell University)|Dec 6, 2016

Remote-Sensing Image Classification被引用 8

一句话总结

FLIC 提出了一种快速、边界敏感的超像素方法，通过主动搜索和联合分配-更新机制加速收敛。它在单核 CPU 上实现了约 30 fps 的速度，相较于以往方法在速度和边界召回率方面表现更优，且仅通过两次迭代即可收敛，得益于改进的邻域连续性建模。

ABSTRACT

Benefiting from its high efficiency and simplicity, Simple Linear Iterative Clustering (SLIC) remains one of the most popular over-segmentation tools. However, due to explicit enforcement of spatial similarity for region continuity, the boundary adaptation of SLIC is sub-optimal. It also has drawbacks on convergence rate as a result of both the fixed search region and separately doing the assignment step and the update step. In this paper, we propose an alternative approach to fix the inherent limitations of SLIC. In our approach, each pixel actively searches its corresponding segment under the help of its neighboring pixels, which naturally enables region coherence without being harmful to boundary adaptation. We also jointly perform the assignment and update steps, allowing high convergence rate. Extensive evaluations on Berkeley segmentation benchmark verify that our method outperforms competitive methods under various evaluation metrics. It also has the lowest time cost among existing methods (approximately 30fps for a 481x321 image on a single CPU core).

研究动机与目标

• 解决现有超像素方法（如 SLIC 及其变体）中存在的收敛缓慢和边界敏感性差的问题。
• 在保持或提升图像过分割质量的同时降低计算成本。
• 通过联合分配与更新机制，利用局部像素连续性实现更快的收敛速度。
• 开发一种在低对比度或复杂图像条件下仍具备高效性和鲁棒性的方法。

提出的方法

• 引入一种主动搜索机制，每个像素根据邻近像素的标签选择其所属超像素，从而增强局部连续性。
• 采用双向扫描顺序，更有效地传播边界感知信息。
• 在每次迭代中联合执行分配与质心更新，消除独立步骤，加速收敛。
• 使用结合颜色（CIELAB）和空间（欧几里得）分量的加权距离度量，其中可调权重 $ m $ 控制空间影响。
• 在五维特征空间（3D 颜色 + 2D 空间）中计算距离，公式为 $ D(I_i, I_j) = \sqrt{d_c^2 + \left(\frac{d_s \cdot m}{N_s}\right)^2} $。
• 使用四个或八个邻近像素指导标签分配，提升可靠性与边界贴合度。

实验结果

研究问题

• RQ1 基于邻近像素连续性的主动搜索是否能提升超像素生成的边界敏感性？
• RQ2 联合执行分配与更新步骤是否比分步处理具有更快的收敛速度？
• RQ3 该方法能否以显著低于现有方法的计算成本实现最先进性能？
• RQ4 空间距离权重 $ m $ 如何影响紧凑性与边界贴合之间的权衡？

主要发现

• FLIC 仅需两次迭代即可收敛，在 $ K=200 $ 个超像素下实现 0.859 的边界召回率和 0.108 的过分割误差，优于需要十次迭代的 SLIC。
• 对于 $ 481 \times 321 $ 的图像，该方法在单核 CPU 上实现约 30 fps，是现有方法中最低的运行时间成本。
• 边界召回率从第一次迭代的 0.835 提升至第二次迭代的 0.859，后续迭代增益极小。
• 使用八个邻居而非四个可略微提升性能，但降低运行速度，为实际应用提供可调的性能-速度权衡。
• 联合分配-更新策略相比分步处理减少两次迭代收敛时间，且不降低最终精度。
• 对于所有 $ m $ 值，FLIC 在边界召回率和过分割误差方面均持续优于 SLIC 和 ERS，其中 $ m=5 $ 提供最佳平衡效果。