ENInst：增强弱监督低样本实例分割
计算机视觉与模式识别
2023-08-01 v3
摘要
我们研究弱监督低样本实例分割，这是一种标注高效的训练方法，用于有效处理新颖类别。由于该问题尚待充分探索，我们首先通过一个简单基线模型对模型组件及各子任务进行系统分析，考察该问题的难点并定位性能瓶颈。基于分析，我们提出带有子任务增强方法的ENInst：用于提升像素定位质量的实例级掩码精化，以及用于提高分类准确性的新颖分类器组合。我们提出的方法通过增强各子任务性能来提升整体表现。我们证明，我们的ENInst在取得与现有全监督少样本模型相当性能时效率高7.5倍，且有时甚至优于它们。
引用
@article{arxiv.2302.09765,
title = {ENInst: Enhancing Weakly-supervised Low-shot Instance Segmentation},
author = {Moon Ye-Bin and Dongmin Choi and Yongjin Kwon and Junsik Kim and Tae-Hyun Oh},
journal= {arXiv preprint arXiv:2302.09765},
year = {2023}
}
备注
Accepted at Pattern Recognition (PR)