基于伪类自监督的少样本语义分割
计算机视觉与模式识别
2021-10-25 v1 人工智能
摘要
尽管深度学习方法在语义分割上取得了成功，少样本语义分割仍是一项具有挑战性的任务，原因在于训练数据有限以及对未见类别的泛化要求。近期进展尤其令人鼓舞，但我们发现现有方法在查询图像除目标类外还包含其他语义类时，其 meanIoU 性能往往较差。为解决该问题，我们提出了一种新颖的自监督任务，在查询图像背景中生成随机伪类，提供在预测单个目标类时原本不可用的额外训练数据。为此，我们采用超像素分割来生成伪类。借助这一额外监督，我们在 PASCAL-5i 和 COCO 基准上，将 SOTA 方法的 meanIoU 性能在单样本任务上分别提升了 2.5% 和 5.1%，在五样本任务上分别提升了 6.7% 和 4.4%。
引用
@article{arxiv.2110.11742,
title = {Few-shot Semantic Segmentation with Self-supervision from Pseudo-classes},
author = {Yiwen Li and Gratianus Wesley Putra Data and Yunguan Fu and Yipeng Hu and Victor Adrian Prisacariu},
journal= {arXiv preprint arXiv:2110.11742},
year = {2021}
}
备注
To appear in the proceedings of the British Machine Vision Conference (BMVC) 2021