一种基于类表示的新型少样本分割网络
计算机视觉与模式识别
2019-09-20 v1
摘要
本文研究少样本分割，该任务旨在仅借助少量标注、并在一组已有丰富标注的辅助下预测未见类的前景掩码。现有方法主要将任务聚焦于“如何将分割线索从支持图像（标注图像）迁移到查询图像（未标注图像）”，并尝试学习高效且通用的迁移模块以轻松扩展到未见类。然而，学习对各种类通用的迁移模块被证明是一项具有挑战性的任务。本文从“如何用已有类表示未见类”这一新视角解决少样本分割，并将少样本分割表述为通过已有类精确表示未见类（就形成前景先验而言）的表示过程。基于该思想，我们提出一种新型的基于类表示的少样本分割框架，其首先基于已有类的知识生成未见类的类激活图，然后将该图作为前景概率图从查询图像中提取前景。提出了一种基于双分支的新型少样本分割网络。此外，提出了一种新的 CAM 生成模块，其提取未见类而非经典训练类的 CAM。我们在 Pascal VOC 2012 数据集上验证了方法的有效性，单样本与五样本的 FB-IoU 值分别达到 69.2% 和 70.1%，优于 SOTA 方法。
引用
@article{arxiv.1909.08754,
title = {A New Few-shot Segmentation Network Based on Class Representation},
author = {Yuwei Yang and Fanman Meng and Hongliang Li and King N. Ngan and Qingbo Wu},
journal= {arXiv preprint arXiv:1909.08754},
year = {2019}
}
备注
accepted by VCIP2019