少样本语义分割：方法、基准与开放挑战综述
计算机视觉与模式识别
2024-05-21 v2 人工智能
摘要
语义分割对从自动驾驶到机器人等应用至关重要，在难以或极其昂贵地收集大型标注数据集的领域中面临重大挑战。在此类如医学与农业的情境中，训练图像的稀缺阻碍了进展。少样本语义分割作为计算机视觉中的新任务被提出，旨在设计仅以少量样本即可分割新语义类别的模型。本文是对少样本语义分割的全面综述，追溯其演进并探索从较流行的条件网络与原型网络到较冷门的隐空间优化方法等多种模型设计，同时呈现近期基础模型带来的新机遇。通过编年叙事，我们剖析有影响力的趋势与方法，洞察其优势与局限。时间线提供了可视化路线图，标记该领域进展的关键里程碑。辅以基准数据集上的定量分析与开创性工作的定性展示，本综述使读者深入理解该主题。通过阐明当前挑战、最先进模型与前景，我们助力研究者与从业者应对少样本语义分割的复杂性，并为未来发展奠定基础。
引用
@article{arxiv.2304.05832,
title = {Few Shot Semantic Segmentation: a review of methodologies, benchmarks, and open challenges},
author = {Nico Catalano and Matteo Matteucci},
journal= {arXiv preprint arXiv:2304.05832},
year = {2024}
}