面向少样本分割的注意力原型推断
计算机视觉与模式识别
2023-05-31 v3
摘要
本文旨在解决少样本分割问题。尽管现有的基于原型的方法已取得可观成功，但它们受限于标注样本稀少所带来的不确定性与歧义性。本工作中，我们提出注意力原型推断（API），一种用于少样本分割的概率潜变量框架。我们定义一个全局潜变量表示每一对象类别的原型，并将其建模为概率分布。原型的概率建模通过处理有限数据及对象类内差异导致的固有不确定性，增强了模型的泛化能力。为进一步提升模型，我们引入一个局部潜变量表示每张查询图像的注意力图，使模型能够关注前景对象并抑制背景。所提模型的优化被表述为一个变分贝叶斯推断问题，并通过 amortized inference networks 建立。我们在四个基准上进行了充分实验，我们的方案取得了至少可与最先进的基于原型的方法媲美、且往往更优的性能。我们还提供了全面的分析与消融研究，以深入理解我们的方法在少样本分割中的有效性。
引用
@article{arxiv.2105.06668,
title = {Attentional Prototype Inference for Few-Shot Segmentation},
author = {Haoliang Sun and Xiankai Lu and Haochen Wang and Yilong Yin and Xiantong Zhen and Cees G. M. Snoek and Ling Shao},
journal= {arXiv preprint arXiv:2105.06668},
year = {2023}
}
备注
Pattern Recognition Journal