BiOpt：面向少样本分割的双层优化方法
计算机视觉与模式识别
2020-11-24 v1
摘要
少样本分割是一项具有挑战性的任务，旨在给定少量支持图像的情况下分割新类别的物体。在归纳式设定下，现有的基于原型的方法侧重于从支持图像中提取原型；然而，它们未能利用查询图像的语义信息。本文提出双层优化（BiOpt），该方法在归纳式设定下成功地从查询图像中计算类别原型。BiOpt的学习过程被分解为两个嵌套循环：内循环和外循环。在每个任务上，内循环旨在从查询图像中学习优化后的原型。通过一个初始化步骤充分挖掘支持特征和查询特征中的知识，从而为内循环提供合理的初始化原型。外循环旨在跨不同任务学习具有判别力的嵌入空间。在两个基准上的大量实验验证了我们所提出的BiOpt算法的优越性。特别地，我们在5-shot PASCAL-和1-shot COCO-上一致取得了最先进的性能。
引用
@article{arxiv.2011.11245,
title = {BiOpt: Bi-Level Optimization for Few-Shot Segmentation},
author = {Jinlu Liu and Liang Song and Yongqiang Qin},
journal= {arXiv preprint arXiv:2011.11245},
year = {2020}
}