激活新类别的可分辨性用于少样本分割
计算机视觉与模式识别
2022-12-05 v1
摘要
尽管现有少样本分割方法取得显著成功，仍存在两个关键挑战。首先，在基类别训练过程中，由于新类别总被当作背景，其特征学习受到抑制，导致新类别语义未被充分学习。其次，现有多数方法未考虑因稀少支持样本的代表性偏差所导致的支持集与查询集间潜在语义鸿沟。为规避这两挑战，我们提出在特征编码阶段与预测阶段均显式激活新类别的可分辨性以用于分割。在特征编码阶段，我们设计语义保持特征学习模块（SPFL），先挖掘再保留整幅输入图像所含的潜在语义，尤其是背景中属于新类别的语义。在分割预测阶段，我们学习一个自精炼在线前景-背景分类器（SROFB），其能利用查询图像的高置信度像素自我精炼，从而促进对查询图像的适应并弥合支持-查询语义鸿沟。在 PASCAL-5 与 COCO-20 数据集上的大量实验从定量与定性两方面证明了这两种新设计的优势。
引用
@article{arxiv.2212.01131,
title = {Activating the Discriminability of Novel Classes for Few-shot Segmentation},
author = {Dianwen Mei and Wei Zhuo and Jiandong Tian and Guangming Lu and Wenjie Pei},
journal= {arXiv preprint arXiv:2212.01131},
year = {2022}
}