论文部分内容阅读
超像素是图像过度分割的结果,提供了图像数据的中间级表示,对计算机视觉等领域的研究具有重要意义。现有的超像素算法是不可微的,且深度网络通常在规则的网格上进行定义,导致目前生成超像素的算法大多基于手工提取的像素特征进行。提出融合深度网络的改进快速生成超像素算法,将深度学习网络嵌入到超像素的生成过程中,首先利用含多隐含层的深度网络进行图像像素特征的提取,然后通过K-means聚类方法计算初始种子点位置以改善分割结果,在此基础上通过主动搜索方法确保像素标签的正确性,最后得到超像素分割结果。在Berkeley