面向少样本语义分割的可微分元学习模型
计算机视觉与模式识别
2019-11-26 v1
摘要
为解决语义分割在某些场景下的标注稀缺问题，已有少数尝试在少样本学习范式下开发分割模型。然而，现有大多数方法仅关注传统的单类（1-way）分割设定（即一张图像仅包含单一目标）。这与实际语义分割任务相去甚远，后者通常要求进行准确的多目标分割并采用 K 类（K>1）设定。为应对该问题，我们将少样本语义分割任务表述为一个基于学习的像素分类问题，并提出了一种基于元学习的新型框架 MetaSegNet。在 MetaSegNet 中，设计了一个由全局与局部特征分支组成的嵌入模块架构，以提取适用于少样本分割的合适元知识。此外，我们将一个线性模型作为基学习器引入 MetaSegNet，直接预测多目标分割中每个像素的标签。进而，我们的 MetaSegNet 可通过情景训练机制从头开始以端到端方式训练。在 PASCAL VOC 和 COCO 两个流行语义分割数据集上的实验表明了所提 MetaSegNet 在 K 类少样本语义分割任务中的有效性。
引用
@article{arxiv.1911.10371,
title = {Differentiable Meta-learning Model for Few-shot Semantic Segmentation},
author = {Pinzhuo Tian and Zhangkai Wu and Lei Qi and Lei Wang and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:1911.10371},
year = {2019}
}
备注
Accepted by AAAI2020