SoftCut : a novel fully differentiable relaxed graph cut approach for image segmentation in deep learning

Graph cut algorithms always seemed to have a natural application in image segmentation, but the difficulties in extracting the needed features from the image made the convolutional neural network architectures like U-Net take the lead in this task. In recent years many solutions have been proposed in order to implement this kind of algorithms into a neural network layer. SoftCut, the approach proposed in this work, is a differentiable relaxation of the graph cut problem, equivalent to an intuitive electric circuit, that is shown outperforming both U-Net and the most promising of these solutions in terms of IoU on a real-world scenario like Cityscapes, while being faster than these methods of integrating an optimization problem into a network.

Gli algoritmi di graph cut sono sempre sembrati avere un'applicazione naturale nella segmentzione delle immagini, ma le difficoltà nell'estrarre le caratteristiche necessarie dell'immagine hanno fatto sì che architetture di reti neurali convoluzionali come U-Net presero il loro posto. Negli ultimi anni diverse soluzioni sono state proposte per implementare questo tipo di algorimi dentro uno strato di una rete neurale. SoftCut, l'approccio proposto in questo lavoro, è un rilassamento differenziabile del problema di graph cut, equivalente ad un intuitivo circuito elettrico, di cui viene mostrato come superi in termine di indice di Jaccard sia U-Net che la soluzione più promettente fra quelle di cui prima in uno scenario reale come Cityscapes, pur rimanendo più veloce di questi metodi per integrare un problema di ottimizzazione in una rete.