Unsupervised Image Segmentation: A State-of-the-Art

Abstract

Image segmentation is a computer vision technique where an image is partitioned into distinct regions or segments by assigning labels to pixels based on shared characteristics. In recent years, deep learning algorithms improved the performance of image segmentation tasks with different architectures like convolutional neural networks, autoencoders, etc. These architectures have demonstrated a superior ability to learn hierarchical features directly from raw images. However, supervised deep learning methods for image segmentation usually require large labeled datasets, which are difficult to obtain in certain domains, such as medical imagery. To address this problem, The recent research aims to find unsupervised methods for image segmentation that can avoid good results by combining advanced deep learning architectures and unsupervised learning. In this master’s thesis, we will comprehensively review the current state-of-theart techniques and methodologies in unsupervised image segmentation. ***

La segmentation d’image est une technique de vision par ordinateur dans laquelle une image est divisée en régions ou segments distincts en attribuant des étiquettes aux pixels en fonction de caractéristiques partagées. Ces dernières années, les algorithmes d’apprentissage profond ont amélioré les performances des tâches de segmentation d’images avec différentes architectures telles que les réseaux de neurones convolutifs, les auto-encodeurs, etc. Ces architectures ont démontré une capacité supérieure à apprendre des caractéristiques hiérarchiques directement à partir d’images brutes. Cependant, les méthodes d’apprentissage profond supervisé pour la segmentation d’images nécessitent généralement de grands ensembles de données étiquetées, difficiles à obtenir dans certains domaines, comme l’imagerie médicale. Pour résoudre ce problème, des recherches récentes visent à trouver des méthodes non supervisées de segmentation d’images qui peuvent éviter de bons résultats en combinant des architectures avancées d’apprentissage profond et un apprentissage non supervisé. Dans ce mémoire de maîtrise, nous passerons en revue de manière exhaustive les techniques et méthodologies de pointe actuelles en matière de segmentation d’images non supervisée.