用于少样本分割的深度高斯过程
计算机视觉与模式识别
2021-03-31 v1
摘要
少样本分割是一项具有挑战性的任务，需要从仅有的少量标注样本中提取可泛化表示，以分割新颖的查询图像。一种常见方法是用单一原型建模每个类别。尽管概念简单，但当目标外观分布在特征空间中为多模态或不可线性分离时，这些方法表现不佳。为解决此问题，我们提出了一种基于高斯过程（GP）回归的少样本学习器公式。借助 GP 的表达能力，我们的方法能够在深度特征空间中建模复杂的外观分布。GP 提供了一种捕获不确定性的原则性方式，这作为由 CNN 解码器获得的最终分割的另一强大线索。我们进一步利用方法的端到端学习能力来学习 GP 学习器的输出空间，确保对分割掩码更丰富的编码。我们对少样本学习器公式进行了全面的实验分析。我们的方法在 5-shot 分割上确立了新的 SOTA，在 PASCAL-5i 和 COCO-20i 上的 mIoU 分数分别为 68.1 和 49.8。
引用
@article{arxiv.2103.16549,
title = {Deep Gaussian Processes for Few-Shot Segmentation},
author = {Joakim Johnander and Johan Edstedt and Martin Danelljan and Michael Felsberg and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2103.16549},
year = {2021}
}
备注
15 pages, 6 figures