用于少样本分割的自适应掩码代理方法
计算机视觉与模式识别
2019-10-16 v5 机器学习
机器学习
摘要
深度学习通过在大规模数据集上训练而蓬勃发展。然而,在机器人应用中样本效率至关重要。我们提出一种新颖的自适应掩码代理(adaptive masked proxies)方法,从少量标注样本构建最终的分割层权重。它利用对以标签掩码的基础嵌入进行多分辨率平均池化,作为新类的正代理,并将其与先前学到的类签名融合。我们的方法在 PASCAL- 数据集上评估,并在少样本语义分割中优于最先进水平。与以往方法不同,我们的方法不需要第二个分支来估计参数或原型,这使其可用于基于双流运动与表观的分割网络。我们进一步提出一种评估物体分割持续学习的新设定,命名为增量 PASCAL (iPASCAL),我们的方法在其中优于基线方法。我们的代码公开于 https://github.com/MSiam/AdaptiveMaskedProxies。
引用
@article{arxiv.1902.11123,
title = {Adaptive Masked Proxies for Few-Shot Segmentation},
author = {Mennatullah Siam and Boris Oreshkin and Martin Jagersand},
journal= {arXiv preprint arXiv:1902.11123},
year = {2019}
}
备注
Accepted to ICCV'19