基于引导网络的少样本分割传播
计算机视觉与模式识别
2018-06-20 v1 机器学习
机器学习
摘要
基于学习的视觉分割方法在特定类型的分割任务上取得了进展，但受限于必要的监督、固定任务的狭窄定义，以及推理过程中缺乏纠正错误的控制能力。为弥补标准方法的僵化与标注负担，我们解决少样本分割问题：给定少量图像和少量像素监督，据此分割任意图像。我们提出引导网络，它从任意数量的监督中提取潜在任务表示，并端到端优化我们的架构以实现快速、准确的少样本分割。我们的方法可在无需进一步优化的情况下切换任务，并在获得更多引导时快速更新。我们报告了从每个概念一个像素进行分割的首批结果，并展示了实时交互式视频分割。我们的统一方法跨空间传播像素标注用于交互式分割，跨时间用于视频分割，跨场景用于语义分割。我们的引导分割器在标注量和时间方面均达到最先进的精度。参见 http://github.com/shelhamer/revolver 获取代码、模型和更多细节。
引用
@article{arxiv.1806.07373,
title = {Few-Shot Segmentation Propagation with Guided Networks},
author = {Kate Rakelly and Evan Shelhamer and Trevor Darrell and Alexei A. Efros and Sergey Levine},
journal= {arXiv preprint arXiv:1806.07373},
year = {2018}
}