类别相似性迁移：解耦广义小样本分割中的类别相似性与不平衡
计算机视觉与模式识别
2024-04-09 v1
摘要
在广义小样本分割（GFSS）中，模型首先使用大量基类样本进行训练，然后在有限的新类样本上进行适配。本文关注基类与新类之间的相关性，并从两个方面改进GFSS：1）挖掘基类与新类之间的相似性以促进新类的学习，以及2）缓解由支持集和训练集之间数据量差异引起的类别不平衡问题。具体而言，我们首先提出一个相似性迁移矩阵，利用基类知识指导新类的学习。然后，我们将标签分布感知边距（LDAM）损失和直推式推断应用于GFSS任务，以解决类别不平衡以及对支持集过拟合的问题。此外，通过扩展概率迁移矩阵，所提方法能够缓解学习新类时对基类的灾难性遗忘。通过简单的训练阶段，我们提出的方法可应用于任何在基类上训练的分割网络。我们在适配版本的OpenEarthMap上验证了我们的方法。与现有的GFSS基线相比，我们的方法在性能上均超出3%至7%，并在本文完成时在OpenEarthMap土地覆盖制图小样本挑战赛中排名第二。代码：https://github.com/earth-insights/ClassTrans
引用
@article{arxiv.2404.05111,
title = {Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation},
author = {Shihong Wang and Ruixun Liu and Kaiyu Li and Jiawei Jiang and Xiangyong Cao},
journal= {arXiv preprint arXiv:2404.05111},
year = {2024}
}
备注
9 pages, 5 figures