基于掩码聚合的小样本语义分割
计算机视觉与模式识别
2022-02-16 v1 人工智能
摘要
小样本语义分割旨在仅用极少标注数据识别新类别。这一具有挑战性的任务需要挖掘查询图像与支持图像之间的相关关系。以往工作通常将其视为逐像素分类问题。因此，各种模型被设计用于探索查询图像与支持图像间像素的关联性。然而，它们仅关注像素级对应而忽略了物体的整体关联。本文中，我们引入一种基于掩码的分类方法来解决该问题。提出了掩码聚合网络（MANet），这是一个简单的掩码分类模型，用于同时生成固定数量的掩码及其作为目标的概率。随后，根据各掩码的位置聚合所有掩码得到最终分割结果。在 PASCAL-5^i 与 COCO-20^i 数据集上的实验表明，我们的方法与最先进的基于像素的方法性能相当。这一具有竞争力的性能展示了掩码分类作为小样本语义分割替代基线方法的潜力。我们的源代码将发布于 https://github.com/TinyAway/MANet。
引用
@article{arxiv.2202.07231,
title = {Few-shot semantic segmentation via mask aggregation},
author = {Wei Ao and Shunyi Zheng and Yan Meng},
journal= {arXiv preprint arXiv:2202.07231},
year = {2022}
}