1794-LBL

1794-LBL

1794-LBL在Deeplearning技术快速发展之前，就已经有了很多做图像分割的技术，其中比较的是一种叫做“Normalized cut”的图划分方法，简称“ N-cut ”。

Normalized cut （N-cut）方法是基于图划分（Graph partitioning）的语义分割方法中的方法之一，于 2000 年 Jianbo Shi 和 Jitendra Malik 发表于相关领域期刊 TPAMI。通常，传统基于图划分的语义分割方法都是将图像抽象为图（Graph）的形式 G=（V，E） （V 为图节点，E 为图的边），然后借助图理论（Graph theory）中的理论和算法进行图像的语义分割。常用的方法为经典的小割算法（Min-cut algorithm）。不过，在边的权重计算时，经典 min-cut 算法只考虑了局部信息。如下图所示，以二分图为例（将 G 分为不相交的 , 两部分），若只考虑局部信息，那么分离出一个点显然是一个 min-cut，因此图划分的结果便是类似 或 这样离群点，而从全局来看，实际想分成的组却是左右两大部分。

1794-LBL