基于丰富原型生成与循环预测增强的小样本分割
计算机视觉与模式识别
2022-10-04 v1
摘要
原型学习与解码器构建是小样本分割的关键。然而，现有方法仅使用单一原型生成模式，无法应对具有多种尺度物体的棘手问题。此外，先前方法采用的单向前向传播可能导致解码过程中已配准特征的信息稀释。本研究中，我们提出丰富原型生成模块(RPGM)与循环预测增强模块(RPEM)，分别用于强化原型学习范式与构建统一的内存增强解码器以实现小样本分割。具体而言，RPGM结合超像素与K-means聚类生成具有互补尺度关系且能适应支持图像与查询图像间尺度差异的丰富原型特征。RPEM利用循环机制设计往返传播解码器。如此，已配准特征可连续提供物体感知信息。实验表明，我们的方法在两个流行基准PASCAL-与COCO-上持续优于其他竞争方法。
引用
@article{arxiv.2210.00765,
title = {Few-Shot Segmentation via Rich Prototype Generation and Recurrent Prediction Enhancement},
author = {Hongsheng Wang and Xiaoqi Zhao and Youwei Pang and Jinqing Qi},
journal= {arXiv preprint arXiv:2210.00765},
year = {2022}
}
备注
Accepted in PRCV 2022