CANet：具有迭代优化与注意力少样本学习的类无关分割网络
计算机视觉与模式识别
2019-03-07 v1
摘要
语义分割的最新进展由深度卷积神经网络和大规模标注图像数据集驱动。然而，像素级分割的数据标注繁琐且昂贵。此外，训练好的模型只能在一组预定义类别内进行预测。在本文中，我们提出CANet，一种类无关分割网络，仅用少量标注图像即可对新类别执行少样本分割。我们的网络由一个两分支密集比较模块和一个迭代优化模块组成，前者在支持图像与查询图像间进行多级特征比较，后者迭代地优化预测结果。此外，我们引入一种注意力机制，在k-shot学习设定下有效融合来自多个支持样本的信息。在PASCAL VOC 2012上的实验表明，我们的方法在1-shot分割中取得55.4%的平均交并比得分，在5-shot分割中取得57.1%，分别以14.6%和13.2%的大幅优势超越最先进方法。
引用
@article{arxiv.1903.02351,
title = {CANet: Class-Agnostic Segmentation Networks with Iterative Refinement and Attentive Few-Shot Learning},
author = {Chi Zhang and Guosheng Lin and Fayao Liu and Rui Yao and Chunhua Shen},
journal= {arXiv preprint arXiv:1903.02351},
year = {2019}
}
备注
Accepted to CVPR 2019