用于少样本分割的自适应原型学习与分配
计算机视觉与模式识别
2021-05-18 v2
摘要
原型学习被广泛用于少样本分割。通常，通过平均全局目标信息从支持特征中获得单一原型。然而，使用一个原型来表示所有信息可能导致歧义。在本文中，我们提出两个新颖的模块，称为超像素引导聚类 (SGC) 和引导原型分配 (GPA)，用于多原型提取与分配。具体而言，SGC 是一种无参数且无训练的方法，它通过聚合相似的特征向量来提取更具代表性的原型，而 GPA 能够选择匹配的原型以提供更准确的引导。通过将 SGC 和 GPA 集成在一起，我们提出了自适应超像素引导网络 (ASGNet)，它是一个轻量模型并能适应目标尺度和形状变化。此外，我们的网络可以轻松推广到 k-shot 分割，并取得显著改进且无额外计算成本。特别地，我们在 COCO 上的评估表明，ASGNet 在 5-shot 分割中超越了最先进方法 5%。
引用
@article{arxiv.2104.01893,
title = {Adaptive Prototype Learning and Allocation for Few-Shot Segmentation},
author = {Gen Li and Varun Jampani and Laura Sevilla-Lara and Deqing Sun and Jonghyun Kim and Joongkyu Kim},
journal= {arXiv preprint arXiv:2104.01893},
year = {2021}
}
备注
Accepted to CVPR2021