Background Clustering Pre-training for Few-shot Segmentation
计算机视觉与模式识别
2023-12-07 v1
摘要
最近的小样本分割（FSS）方法在元训练之前引入了一个额外的预训练阶段，以获得更强的骨干网络，这已成为小样本学习中的标准步骤。尽管有效，当前的预训练方案存在背景合并问题：只有基类被标记为前景，这使得难以区分新类和实际背景。本文中，我们通过将新类与背景解耦，提出了一种新的 FSS 预训练方案，称为背景聚类预训练（BCPT）。具体来说，我们对合并背景的像素嵌入采用在线聚类，以探索潜在的语义结构，弥合预训练与适应新类之间的差距。基于聚类结果，我们进一步提出了背景挖掘损失，并利用基类来引导聚类过程，提高了聚类结果的质量和稳定性。在 PASCAL-5i 和 COCO-20i 上的实验表明，BCPT 取得了先进的性能。代码将开源。
引用
@article{arxiv.2312.03322,
title = {Background Clustering Pre-training for Few-shot Segmentation},
author = {Zhimiao Yu and Tiancheng Lin and Yi Xu},
journal= {arXiv preprint arXiv:2312.03322},
year = {2023}
}
备注
6 pages, 2 figures, ICIP 2023