CRNet：用于少样本分割的交叉参考网络
计算机视觉与模式识别
2020-03-25 v1
摘要
在过去几年中，最先进的图像分割算法基于深度卷积神经网络。为使深度网络理解某一概念，人类需要收集大量像素级标注数据来训练模型，这既耗时又繁琐。近来，少样本分割被提出以解决该问题。少样本分割旨在学习一个仅需少量训练图像即可泛化到新类别的分割模型。本文中，我们提出一种用于少样本分割的交叉参考网络（CRNet）。与以往仅预测查询图像掩码的工作不同，我们提出的模型同时对支持图像和查询图像进行预测。借助交叉参考机制，我们的网络能更好地发现两幅图像中的共现目标，从而助力少样本分割任务。我们还开发了掩码细化模块以循环细化前景区域的预测。对于 样本学习，我们提出微调部分网络以利用多张带标注的支持图像。在 PASCAL VOC 2012 数据集上的实验表明，我们的网络取得了最先进的性能。
引用
@article{arxiv.2003.10658,
title = {CRNet: Cross-Reference Networks for Few-Shot Segmentation},
author = {Weide Liu and Chi Zhang and Guosheng Lin and Fayao Liu},
journal= {arXiv preprint arXiv:2003.10658},
year = {2020}
}