arXiv cs.AI· Zixun Wang, Ben Dai·· 3 天前AI 评分20
用空间局部依赖替代条件独立假设：图像分割的 RankSEG 改进方法
On the Relaxation of Conditional Independence Assumption for Image Segmentation
AI 导读
针对 RankSEG 依赖条件独立假设（CIA）而忽略标签相关性、在低对比度场景下性能下降的问题，研究者提出用空间局部依赖（SLD）结构替代 CIA，并配合互易矩近似与不动点优化策略，将复杂度从 O(d³) 降至 O(d log d)。新算法在多个分割基准上持续优于传统 argmax 和基于 CIA 的 RankSEG，在低对比度或小目标场景提升显著。
正文 · AI 翻译
摘要：在语义分割中，近期一系列 RankSEG 方法在推理时直接优化 Dice/IoU 分数，在不修改模型训练的情况下提升了与评估指标的一致性。尽管在理论和实证上取得了成功，RankSEG 依赖于限制性的条件独立假设（CIA），该假设忽略了关键的标签相关性，因此在模糊或低对比度场景中会降低性能。然而，考虑完整的标签依赖在计算上代价过高，需要 $\mathcal{O}(d^3)$ 时间。为解决这一问题，我们用空间局部依赖（SLD）结构替代 CIA，该结构在保持依赖模型可处理的同时捕获局部标签相关性。我们进一步通过倒数矩近似结合一种新颖的不动点优化策略克服了剩余的计算瓶颈，从而消除了穷举搜索。所提出的算法实现了高度实用的 $\mathcal{O}(d \log d)$ 复杂度，并在多种分割基准上持续优于传统的 argmax 和基于 CIA 的 RankSEG。在低对比度或小目标场景中改进显著，此时标签依赖提供了与图像信息互补的宝贵信号，有助于实现准确分割。实验代码可在 此 https URL 获取。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG）；机器学习（stat.ML） |
| 引用为： | arXiv:2609.38930 [cs.CV] |
| （或 arXiv:2609.38930v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.38930 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zixun Wang [查看电子邮件]
[v1]
2026年9月30日星期三 04:10:57 UTC（34,382 KB）
[v2]
2026年10月12日星期一 06:52:29 UTC（34,390 KB）
来源：arXiv cs.AI · arxiv.org