FECANet：以特征增强上下文感知网络提升少样本语义分割
计算机视觉与模式识别
2023-01-20 v1
摘要
少样本语义分割是仅利用少量带标注的支持图像来学习定位查询图像中新颖类别每个像素的任务。当前基于相关性的方法构建成对特征相关性以建立多对多匹配，因为典型的基于原型的方法无法学习细粒度对应关系。然而，现有方法仍受限于朴素相关性中所含噪声以及相关中上下文语义信息的缺乏。为缓解上述这些问题，我们提出了一种特征增强上下文感知网络（FECANet）。具体而言，提出了一个特征增强模块以抑制由类间局部相似性引起的匹配噪声并增强朴素相关性中的类内相关性。此外，我们提出了一种新颖的相关性重构模块，其编码前景与背景之间以及多尺度上下文语义特征的额外对应关系，显著增强编码器捕获可靠匹配模式的能力。在 PASCAL- 和 COCO- 数据集上的实验表明，我们提出的 FECANet 相较于先前的最先进方法取得了显著改进，证明了其有效性。
引用
@article{arxiv.2301.08160,
title = {FECANet: Boosting Few-Shot Semantic Segmentation with Feature-Enhanced Context-Aware Network},
author = {Huafeng Liu and Pai Peng and Tao Chen and Qiong Wang and Yazhou Yao and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2301.08160},
year = {2023}
}
备注
accepted by IEEE Transactions on Multimedia