基于最优传输匹配与消息流的少样本分割
计算机视觉与模式识别
2022-06-30 v2
摘要
我们在本工作中解决少样本分割这一具有挑战性的任务。对于少样本语义分割而言，充分利用支持集信息至关重要。先前的方法通常采用对支持集特征进行掩码平均池化，以提取支持集线索作为全局向量，这通常被显著部分主导并丢失了某些本质线索。在本工作中，我们认为每个支持集像素的信息都期望被传递至所有查询像素，并提出了一种具有最优传输匹配模块的对应匹配网络（CMNet）来挖掘查询图像与支持图像之间的对应关系。此外，充分利用来自标注支持图像的局部与全局信息十分关键。为此，我们提出一种消息流模块，以沿同一图像内部的内部流以及支持与查询图像之间的交叉流传播消息，这极大有助于增强局部特征表示。在 PASCAL VOC 2012、MS COCO 和 FSS-1000 数据集上的实验表明，我们的网络取得了新的 SOTA 少样本分割性能。
引用
@article{arxiv.2108.08518,
title = {Few-shot Segmentation with Optimal Transport Matching and Message Flow},
author = {Weide Liu and Chi Zhang and Henghui Ding and Tzu-Yi Hung and Guosheng Lin},
journal= {arXiv preprint arXiv:2108.08518},
year = {2022}
}