我正在尝试实现一种算法，其中给定一个在平面表上具有多个对象的图像，期望的是每个对象的分割蒙版的输出。与CNN不同，这里的目标是在陌生的环境中检测物体。解决此问题的最佳方法是什么？另外，在线上有任何实施示例吗？

编辑：很抱歉，问题可能有点误导。我所说的“陌生环境”的意思是算法可能不知道对象。该算法不需要了解对象是什么，而应该仅检测对象。我应该如何解决这个问题？

快速的回应

均值漂移LSH这是一个升级$O(n)$在著名的均值平移算法的也知道它的图像分割能力$O(n^2)$

一些解释

$K$$O(n)$$K$-方法失败是因为它是设计用来寻找椭圆形簇而不是随机形状的簇。

在相反的位置，我们具有均值漂移（Mean Shift）功能，它可以自动查找具有随机形状的簇的数量-当您不知道所寻找的内容时很有用。

$K$$K$

图像分割聚类的建议

将您的色彩空间从RGB转换为LUV，更适合于欧式距离。

$K$

• $O(\alpha.n)$
• $O(\beta.n)$
• $\alpha \gt \beta$

Mean Shift LSH较慢，但更适合您的需求。它保持线性不变，并且可以通过上述实现进行扩展。

PS：我的个人资料图片是Mean Shift LSH在我自己身上的一种应用，如果它可以帮助您确定其工作原理，则可以使用。

您可能需要看一下提交给CVPR 2018并接受的这项工作：学习对每件事进行细分

在这项工作中，他们尝试对所有内容进行细分，甚至是网络不知道的对象。Mask R-CNN已被使用，并结合了转移学习子网，它们在分割几乎所有内容时都取得了很好的效果。

最先进的图像分割（SOTA）将是Facebook的Mask-RCNN。

虽然通常在具有真实对象的数据集（例如COCO或Pascal）上对其进行训练，但是您可以在自己选择的数据集上对它进行重新训练，无论是否真实。

Facebook提供了Apache2许可下的实现（Detectron）。试试看！

实际上，您的任务是受监督的。Segnet可以是出于您目的的良好体系结构，可以在这里访问其实现之一。SegNet通过监督学习来学习预测像素类标签。因此，我们需要输入图像的数据集以及相应的地面真相标签。标签图像必须是单通道，每个像素都用其类别...标记。

另外，请看完全适合您的任务的全卷积网络。

根据问题中的修改，我添加了其他信息。有许多方法可用于此任务。基本上，最简单的方法是使用背景标签，并通过采用上述体系结构将您不知道的那些类分类为背景。这样，您的标签可能会与背景类重叠，这可能是此方法的缺点，但是它的优点是，如果您在输入中频繁使用训练有素的标签，则可以使用相对较轻的架构，识别未知的类。

这可能是您正在寻找的东西。由于您要求的是图像分割而不是图像分割semantic / instance，因此我认为您不需要为图像中的每个片段添加标签。

该方法称为scene-cut以无监督的方式将图像分割为类无关的区域。在室内杂乱的环境下，这非常有效。

论文链接：arxiv

代码：代码