阅读论文：Superpixel采样网络

论文阅读：Superpixel Sampling Network

关键词:深度学习聚类，超像素网络，无监督任务

超像素几乎不与现代深度网络结合使用,这有两个主要原因：

• 构成多数深层结构基本框架的标准卷积操作一般定义在规则网格之上，而当其应用于不规则超像素晶格时，运算效率会显著下降。
  • 当前的超像素生成方法不具备可微性特征，因此在深度网络中引入超像素分割过程，会导致端到端可训练网络架构中出现不可微分的组件。（建议开发一种新型的深度可扩展超像素分割算法以应对上述第二个问题）

经典算法概述

简单线性迭代聚类（SLIC）超像素算法是一种常用于图像分割的算法，具备操作简便、执行迅速以及参数调节灵活等优势。作为当前最常见且应用范围最广的超像素算法之一，SLIC在实现上较为容易，运行效率较高，并能够生成结构紧凑且分布均匀的超像素区域。尽管已有多种基于SLIC的改进版本出现，但在最初的SLIC形式中，其本质仍是一种K均值聚类方法，主要针对图像中每个像素点所对应的五维特征空间（包括XY坐标与LAB颜色空间）进行聚类分析。

在进行超像素计算时，其核心目标是为图像中的每一个像素分配一个对应的超像素标签。假设需要将图像划分为m个超像素区域，并给定一幅图像I，该图像可表示为一个包含n个像素点的数据集合，每个像素点对应一个五维向量（XY L