Answers:
均值漂移LSH这是一个升级在著名的均值平移算法的也知道它的图像分割能力
-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。
将您的色彩空间从RGB转换为LUV,更适合于欧式距离。
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。
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。
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。