广义少样本语义分割的强基线
计算机视觉与模式识别
2023-04-05 v2
摘要
本文介绍了一种具有简便训练过程和易于优化推理阶段的广义少样本分割框架。特别地，我们基于著名的 InfoMax 原理提出了一种简单而有效的模型，其中学习到的特征表示与其对应预测之间的互信息（MI）被最大化。此外，从我们基于 MI 的公式导出的项与知识蒸馏项耦合以保留基类上的知识。凭借简单的训练过程，我们的推理模型可应用于任何在基类上训练的分割网络之上。所提推理在流行的少样本分割基准 PASCAL- 和 COCO- 上产生了显著改进。特别是对于新类，在 1-shot 和 5-shot 场景下改进增益分别为 7% 至 26%（PASCAL-）和 3% 至 12%（COCO-）。此外，我们提出了更具挑战性的设定，其中性能差距进一步加剧。我们的代码公开于 https://github.com/sinahmr/DIaM。
引用
@article{arxiv.2211.14126,
title = {A Strong Baseline for Generalized Few-Shot Semantic Segmentation},
author = {Sina Hajimiri and Malik Boudiaf and Ismail Ben Ayed and Jose Dolz},
journal= {arXiv preprint arXiv:2211.14126},
year = {2023}
}
备注
Accepted to CVPR 2023