融合边缘复杂度与通道注意力机制的无监督超像素分割卷积神经网络模型研究及其应用

本文提出一种融合边缘复杂度（Edge Complexity）与通道注意力机制（Channel Attention）的无监督超像素分割算法ECN，通过Sobel算子计算边缘复杂度以指导特征通道数与卷积核尺寸的确定，结合通道注意力动态调整特征权重，显著提升复杂图像分割的精度与稳定性。实验在BSDS500、NYUv2等数据集验证其优越性，并进一步开发SULDA（Superpixel Unsupervised Linear Discriminant Analysis）应用于特征提取任务，展现重要应用价值。

　　

Section snippets

Related work

本节将介绍两个关键研究领域的最新进展：超像素分割与通道注意力机制。超像素分割作为图像处理领域的重要研究方向，涵盖传统方法、混合方法及神经网络方法等多种技术。通道注意力机制则是深度神经网络中的关键技术，能够动态调整不同特征通道的权重。

Method

我们的方法分为两大主要部分。首先详细阐述ECN模型的实现原理与设计理念，重点说明特征提取与目标函数的细节；其次深入探讨基于ECN开发的SULDA以评估其应用价值，包括基于超像素的局部重建原理、ECN-LDA全局特征提取及ECN-LFDA局部特征提取相关机制。

Experiments

本节从五部分展开介绍：数据集与框架、评估指标、消融实验、对比实验及应用实验。前两部分概述所用数据集、模型构建框架及涉及的评价指标；消融实验聚焦于确定最佳模型设计；对比实验将所提方法与现有先进方法进行性能对比。

Conclusion and future work

本研究首次将通道注意力机制引入超像素分割领域，通过调整通道权重增强特征表征能力；同时提出边缘复杂度概念，指导深度网络确定最终提取的特征通道数及通道注意力机制中快速一维卷积的核尺寸。通过消融实验获得最佳模型配置，其生成的高质量超像素在复杂图像中表现出优越的稳定性与分割精度。未来工作将探索更高效的特征提取结构与多模态数据融合策略。

CRediT authorship contribution statement

Fugui Luo: 撰写-审阅与编辑、可视化、验证、软件、资源、方法论、调研、形式分析、数据管理、概念化。Shihua Li: 撰写-审阅与编辑、验证、监督、项目管理、资金获取、概念化。Minghui Chang: 撰写-审阅与编辑、验证。Yuting Liu: 撰写-审阅与编辑、验证。Kaitong Liu: 撰写-审阅与编辑。

Declaration of Competing Interest

作者声明不存在任何可能影响本研究成果的已知竞争性经济利益或个人关系。

Acknowledgements

本研究获湖州市科技计划项目（编号2023GZ43）及四川省自然资源厅科技项目（编号ZDKJ-2024-007）支持。