35、图像分割领域的两项重要技术突破

图像分割领域的两项重要技术突破

在图像分割领域，有两项重要的技术成果值得关注，一项是k-means Mask Transformer（kMaX - DeepLab）框架，另一项是名为SegPGD的有效且高效的对抗攻击方法。下面将分别对这两项技术进行详细介绍。

kMaX - DeepLab：用于分割任务的创新框架

kMaX - DeepLab是一种新颖的端到端框架，专门为分割任务设计。它从聚类的角度重新思考了像素特征和对象查询之间的关系，通过用提出的单头k - 均值聚类取代多头交叉注意力，简化了掩码变压器模型。

在聚类过程中，kMaX - DeepLab展现出从对象的部分到整体形状进行识别的行为。例如，在处理包含大象的图像时，在开始阶段，大象的头顶、身体和鼻子会被分别聚类，随着后续阶段的推进，这些部分会逐渐合并。

以下是kMaX - DeepLab的主要特点：
- 创新的聚类方式 ：将传统的k - 均值聚类算法与交叉注意力建立联系，为基于变压器的模型在分割任务中的应用提供了新的思路。
- 简化模型结构 ：用单头k - 均值聚类替代多头交叉注意力，降低了模型的复杂度。

SegPGD：评估和提升分割鲁棒性的有效攻击方法

基于深度学习的图像分类容易受到对抗性扰动的影响，只需在输入图像中添加微小且难以察觉的人工扰动，就可能使分类结果出错。作为一种有效的防御策略，对抗训练被提出用于解决分类模型的脆弱性问题，即在训练过程中创建对抗性示例并注入到训练数据中。

近年来，语义分割作为分类的扩展，也受到了广泛关注。然而，与分