摘要
图像分割是计算机视觉中的一个基本任务。监督方法的数据标注工作可能非常繁琐，这促使了无监督方法的发展。目前的方法通常依赖于从预训练网络中提取深度特征来构建图，并在后续处理步骤中应用经典的聚类方法（如k均值和归一化切割）。然而，这种方法将特征中编码的高维信息降维为两两之间的标量亲和力。为了克服这一局限，本研究引入了一种轻量级的图神经网络（GNN），以替代经典聚类方法并优化相同的聚类目标函数。与现有方法不同，我们的GNN同时接受局部图像特征之间的两两亲和力和原始特征作为输入。这种原始特征与聚类目标之间的直接连接使我们能够在不同的图之间隐式地进行聚类分类，从而实现无需额外后处理步骤的部分语义分割。我们展示了如何将经典聚类目标公式化为自监督损失函数，用于训练图像分割的GNN。此外，我们采用了相关聚类（Correlation-Clustering, CC）目标来进行无需定义聚类数量的聚类，实现了无k值的聚类。我们将所提出的方法应用于对象定位、分割和语义部分分割任务，在多个基准测试中超越了现有的最先进性能。