面向少样本语义分割的抗混叠语义重构
计算机视觉与模式识别
2021-06-02 v1
摘要
少样本语义分割已取得了令人鼓舞的进展，其利用在具有充足训练数据的基类别上学习到的特征来表示仅有少样本示例的新类别。然而，当新类别具有相似的语义概念构成时，这种特征共享机制不可避免地会导致新类别之间的语义混叠。在本文中，我们将少样本分割重新表述为一个语义重构问题，并将基类别特征转换为一组基向量，这些基向量张成一个用于新类别重构的类别级语义空间。通过引入对比损失，我们在最大化基向量正交性的同时最小化类间语义混叠。在重构的表示空间内，我们通过将查询特征投影到支持向量上来抑制来自其他类别的干扰，以实现精确的语义激活。我们提出的方法称为抗混叠语义重构（anti-aliasing semantic reconstruction, ASR），为少样本学习问题提供了一种系统且可解释的解决方案。在 PASCAL VOC 和 MS COCO 数据集上的大量实验表明，与先前工作相比，ASR 取得了强劲的结果。
引用
@article{arxiv.2106.00184,
title = {Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation},
author = {Binghao Liu and Yao Ding and Jianbin Jiao and Xiangyang Ji and Qixiang Ye},
journal= {arXiv preprint arXiv:2106.00184},
year = {2021}
}