面向少样本分割的多尺度非新颖片段消除
计算机视觉与模式识别
2022-11-07 v1
摘要
少样本分割旨在设计一种泛化模型，在训练时以少量类别与查询图像一致的支撑图像为引导，对来自未见类别的查询图像进行分割。先前工作提及了两个特定领域问题，即空间不一致性与对所见类别的偏置。考虑到前者，我们的方法在多尺度上将支撑特征图与查询特征图进行比较，从而做到尺度无关。作为后一问题的解决方案，一个称为基学习器的有监督模型在可用类别上训练，以准确识别属于所见类别的像素。因此，后续的元学习器有机会在协调元学习器与基学习器的集成学习模型帮助下丢弃属于所见类别的区域。我们首次同时解决这两个关键问题，并在 PASCAL-5i 与 COCO-20i 数据集上均取得了最先进的（state-of-the-art）性能。
引用
@article{arxiv.2211.02300,
title = {Elimination of Non-Novel Segments at Multi-Scale for Few-Shot Segmentation},
author = {Alper Kayabaşı and Gülin Tüfekci and İlkay Ulusoy},
journal= {arXiv preprint arXiv:2211.02300},
year = {2022}
}
备注
Accepted to WACV 2023