#graphcut

[shimuran]

切り抜きの仕方がよくわからない。 #3月31日 #graphcut (Itabashi-ku, Tokyo, Japan)

[hurutoriya]

Self-turing spectral clustering[NIPS2004]を実装した

Self-turing spectral clusteringで提案されているlocal scaleを実装をした(めっちゃ簡単)。 エッジに類似度を重みに持つグラフを構成するGaussian Kernelの分散値をlocalscaleと実証的に良い分散での比較を行いました。

論文自体のメモはこちら - “Self-Tuning Spectral Clustering (NIPS2004)”読んだ

localscaleの良い所は、ヒューリスティックに分散の値を決めなくて良い所と実装がめちゃくちゃ簡単な点です。

以下に簡単な実装例をGistで載せます

Githunでnotebookのリポジトリを作成しています。 これから論文の実装はこのリポジトリをメインでやっていくので気になるからはスターでもいかがでしょうか? hurutoriya/notebook

Gistのグラフからも分かる通り、$\sigma=0.5$で生成したグラフとlocalscaleで生成したグラフでは粗密の具合がかなり変化しています。

Full Connectedなグラフだとグラフ分割でも良い結果が出ることは経験上少なく、k-neighborで上位k個の値だけを残して後は零にしてグラフをスパースに表現したほうが高速かつ結果が良くなることが多いです。

$\sigma$はデータに依存するので、一概にどの値が良いとは言えませんがlocalscaleの場合自動的かつ特徴量が高いノードのみ際立つようなグラフになっています。

最近のCVPRの論文でも如何にして頑強(Robust)なグラフを生成するかを論点にしてる論文があるので、大事な分野だと思います。 しかし、僕が今まで見た論文の中ではグラフカットによる画像領域分割の多くの論文ではどのようにグラフを生成したかが描かれていないことが多いので悲しい。