基于熵的无监督分割质量评价——E

最新推荐文章于 2024-07-30 20:27:07 发布
最新推荐文章于 2024-07-30 20:27:07 发布
阅读量1.2k 收藏 10
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 无监督分割质量评价 文章标签： 无监督分割质量评价
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/skye1221/article/details/84654397
E准则结合信息论与最小描述符原理，通过衡量区域熵和区域间熵评估图像分割质量。区域熵反映区域内亮度特征的一致性，区域间熵则用于惩罚小熵情况。低E值表示高分割质量。该方法适用于无监督分割质量评价。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

        E:是一个基于信息论和最小描述符MDL(minimum description length principle)的评价准则。它定义“区域熵”作为区域内一致性的评价度量，定义“区域间熵”（能判定哪个像素属于哪个区域）来惩罚“区域内熵”较小的情况。

区域熵（region entropy）

给定一个分割图  ， 为区域j内所有与亮度(luminance)特征有关的值的集合， 为区域j内像素个数 为区域j内亮度特征值m的个数，区域j的熵定义为：

                     

最低0.47元/天 解锁文章

200万优质内容无限畅学
基于对比度的无监督分割质量评价指标——Zeb
skye1221的博客
11-30 1831
Zeb 计算每个像素邻域区域的内部和外部对比度 Zeb is an evaluation criterion based on the internal and external contrast of the regions measured in the neighborhood of each pixel. 区域内对比度                                 ...
基于颜色方差的无监督分割质量评价指标——F
skye1221的博客
11-30 993
F:计算每个分割区域的平均颜色平方误差，并通过赋予与分割区域总数的平方根成正比的权重对过分割情况进行很好地惩罚。 F measures the average squared color error of the segments, penalizing over-segmentation by weighting proportional to the square root of the n...
熵值法matlab代码-ENIQA:基于熵的无参考图像质量评估
05-25
保守值法matlab代码ENIQA：基于熵的无参考图像质量评估 抽象的 本文提出了一种基于图像熵的高性能通用无参考（NR）图像质量评估（IQA）方法。 图像特征是从两个域中提取的。 在空间域中，计算颜色通道之间的互信息和二维熵。 在频域中，滤波后的子带图像的二维熵和互信息被计算为输入彩色图像的特征集。 然后，利用所有提取的特征，将用于失真分类的支持向量分类器（SVC）和支持向量回归（SVR）用于质量预测，以获得最终质量评估分数。 所提出的方法，我们称为基于熵的无参考图像质量评估（ENIQA），可以评估不同类别的失真图像的质量，并且具有较低的复杂度。 作者 陈小巧，张庆一，林满慧，杨光一*和何楚，IEEE成员 实验 所有实验都是在64位Windows 7的Matlab R2016a上进行的，详细结果在本文中给出。 这些代码还在带有Matlab R2016b的Ubuntu 16.04上进行了验证，并且运行良好。 在实验中使用了两个IQA数据集和。 下表显示了LIVE数据集上ENIQA的SROCC值以及几种经典的NR和FR IQA方法 方法 JP2K JPEG格式 WN GBlur FF 全
基于边缘的图像分割无监督评估
03-12
本文关注计算机视觉中的一个基本问题：如何评估图像分割的质量。 有监督的评估方法比无监督的方法提供了更准确的评估，但是如果没有手动分割的参考细分，这些方法将无法工作。 该缺点限制了其应用。 我们提出了一种基于边缘的评估方法，该方法无需与参考细分进行比较即可使用。 我们的方法通过三种基于边缘的度量来评估分割质量：边缘适应度，区域内边缘误差和边界误差。 实验结果表明，与基于像素值统计的方法相比，该方法能提供更准确的评估结果，可用于分割评估和区域评估。 在我们的方法的评估得分与两种广泛使用的监督方法之间显示出显着的线性相关性。 所提出的方法在针对区域生长的最佳拟合参数的自动选择上显示出高性能。
基于熵率的超像素分割代码
11-13
基于熵率的超像素分割代码
无监督图像质量评价-终身学习篇（二）
asd1789_987的博客
07-18 810
上次通过一篇持续学习的论文解读，已经能够较深入地了解到持续学习这种在线学习的方法。今天要解读的是一篇Lifelong Learning的论文，终身学习面临的问题也是网络参数的更新而引起的灾难性遗忘。 LIQA: Lifelong Blind Image Quality Assessment 终身学习模型的要求 1.达到稳定性与可塑性的平衡。 2.前面的数据源不可访问。 3.单头体系提供任务预测。 4.处理失真移位和数据集移位。 5.对任务排列的健壮性。 终身学习训练方法 乍一看
研究论文-一种基于熵值的自动阈值图像分割方法.pdf
08-07
在分析输电线路部件图像样本的特征的基础上，提出了一种基于熵值的自动阈值图像分割方法.该方法利用图像的信息熵值来自动选择图像的分割阈值，将由输电线路主要部件构成的前景图像分割出来.实验结果表明，该算法具有实现简单、计算开销小、运算速度快的优点，能满足以天空为主要背景的输电线路自动巡视的高分辨率图像实时预处理的需要.
阈值分割图像质量评价方法
A2460865183的博客
05-08 2521
分割质量评价指标 1 Misclassification error (误分割错误） 误分类错误(ME)的标准是衡量分割的性能的方法之一。ME是根据图像与人类观察的相关性来定义的。它对应的是错误分配给前景的背景像素的比例，反之亦然。 ME=1−∣BO∩BT∣+∣FO∩FT∣∣BO∩FO∣ME = 1-\dfrac{{\vert}B_O{\cap}B_T{\vert}+{\vert}F_O{\cap}F_T{\vert}}{{\vert}B_O{\cap}F_O{\vert}}ME=1−∣BO​∩FO​∣∣B
ICCV21 - 无监督语义分割《Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals》
热门推荐
要相信光
12-15 1万+
文章目录原文地址初识相知回顾 原文地址 ICCV原文地址 初识 在无监督设置下，学习密集语义表征(dense semantic representations)是一个非常重要的问题，这引导网络学习像素级的语义表征/嵌入，这对无监督语义分割非常重要。如果解决了这个问题，那么后续直接使用K-Means聚类将每个像素聚集到对应的sematic groups就可以执行语义分割。 目前采用的无监督表征学习(自监督学习)通常学习到的是图像级的表征【比如进行实例判别的对比学习】，无法表征其具有像素判别性。而一个好的像素
李弘毅机器学习笔记：第十五章—半监督学习
fly975247003的博客
09-25 1113
李弘毅机器学习笔记：第十五章—半监督学习监督学习和半监督学习半监督学习的好处监督生成模型和半监督生成模型监督生成模型半监督生成模型假设一：Low-density SeparationSelf-training基于熵的正则化半监督SVM假设二：Smoothness Assumption聚类和标记基于图的方法Better Representation 监督学习和半监督学习 在supervised里面...
一种无监督语义分割算法：Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering
Christo的博客
01-29 1673
一种无监督语义分割算法：Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering
Invariant Information Clustering (IIC) 无监督的图像分类和分割
Z_xOOOO的博客
03-15 494
Invariant Information Clustering (IIC) 无监督的图像分类和分割 | Zlog
无监督语义分割综述
qq_46981910的博客
07-16 2699
语义分割是计算机视觉领域的一个重要任务，旨在将图像中的每个像素分配给特定的语义类别。然而，传统的语义分割方法通常依赖大量标注数据，获取这些数据既费时又昂贵。无监督语义分割方法旨在通过不依赖标注数据或仅需少量标注数据的情况下，实现对图像的精确分割。这些方法通过利用数据的内在结构、图像特征和自监督学习技术，从大量未标注的数据中提取有用的信息，显著降低了对标注数据的依赖。本文综述了无监督语义分割的主要方法，包括基于聚类的方法、基于图割的方法、基于生成模型的方法、基于自监督学习的方法以及基于领域自适应性的方法。
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation----2016 SegNet论文解读
chenbo的博客
12-05 2214
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation Abstract 我们提出了一种新颖实用的深度全卷积神经网络体系结构，用于语义像素分割，称为SegNet。这个核心的可训练分段引擎由一个编码器网络，一个相应的解码器网络以及一个逐像素分类层组成。编码器网络的架构在拓扑上与VGG16网络中的...
DiffSeg——基于Stable Diffusion的无监督零样本图像分割
知来者逆的博客
04-28 3386
基于计算机视觉的模型的核心挑战之一是生成高质量的分割掩模。大规模监督训练的最新进展已经实现了跨各种图像风格的零样本分割。此外，无监督训练简化了分割，无需大量注释。尽管取得了这些进展，构建一个能够在没有注释的零样本设置中分割任何东西的计算机视觉框架仍然是一项复杂的任务。语义分割是计算机视觉模型中的一个基本概念，涉及将图像划分为具有统一语义的较小区域。该技术为许多下游任务奠定了基础，例如医学成像、图像编辑、自动驾驶等。为了推进计算机视觉模型的发展，图像分割不局限于类别有限的固定数据集，这一点至关重要。
深度学习（9）——无监督语义分割之全卷积域适应网络（译文）
Niteowl
11-12 1万+
无监督语义分割之全卷积域适应网络 Fully Convolutional Adaptation Networks for Semantic Segmentation 摘要 深度神经网络的最新进展令人信服地证明了在大型数据集上学习视觉模型的高能力。然而，收集专家标记的数据集尤其是像素级注释是一个非常昂贵的过程。一个吸引人的选择是渲染合成数据（例如，计算机游戏）并自动生成基础事实。然而，简单地应用...
GANSeg:通过无监督分层图像生成学习分割
qq_45745941的博客
04-15 1556
无监督分割一种基于GAN的方法，该方法生成以潜在MASK为条件的图像以层级方式在明确定义部分位置的2D潜在点上调节掩模时，可以很好的学习以MASK为条件的图像生成不需要监视MASK或点，增加了MASK到viewpoint和目标位置变化的鲁棒性。还可以让我们生成图像MASK对来训练分割网络，它在已建立的基准上优于最先进的无监督分割方法代码链接。
无监督语义分割？ STEGO 做到了！
最新发布
Warmer_Sweeter
07-30 823
点击下方卡片，关注“小白玩转Python”公众号《通过特征对应提取进行无监督语义分割》（Unsupervised Semantic Segmentation by Distilling Feature Correspondences），这篇论文将缩小有监督语义分割与无监督语义分割之间的差距。论文下载地址如下：https://arxiv.org/abs/2203.08414既然我们没有标签，那么 ...
无监督图像分割（kmeans）
如果想成为中心，那么就到中心去吧。
06-25 2946
简单介绍 在众多聚类算法中，K-Means 算得上是其中一个经典的算法之一了，它属于无监督学习成员的一份子，训练并分类数据的过程中，不需要标签的辅助就能够掌握每一比数据之间的潜在关系，而这个关系则是通过两个点之间的距离远近来判定，离得远的表示关系小，离得近的表示关系大。 代码（python） import numpy as np import matplotlib.pyplot as plt import cv2 from sklearn.cluster import KMeans img = cv2.
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值