FGN：用于少样本实例分割的全引导网络
计算机视觉与模式识别
2020-04-01 v1
摘要
少样本实例分割（FSIS）将少样本学习范式与通用实例分割相结合，为在缺乏大量标注训练数据的情况下处理实例分割提供了可能的途径。本文提出一种用于少样本实例分割的全引导网络（FGN）。FGN将FSIS视为一种引导式模型，其中所谓的支持集被编码并用于引导基础实例分割网络（即Mask R-CNN）的预测，关键在于引导机制。基于此观点，FGN将不同的引导机制引入Mask R-CNN的各个关键组件，包括注意力引导RPN、关系引导检测器和注意力引导FCN，以充分利用支持集的引导作用并更好地适应类间泛化。在公开数据集上的实验表明，我们提出的FGN优于当前最先进的方法。
引用
@article{arxiv.2003.13954,
title = {FGN: Fully Guided Network for Few-Shot Instance Segmentation},
author = {Zhibo Fan and Jin-Gang Yu and Zhihao Liang and Jiarong Ou and Changxin Gao and Gui-Song Xia and Yuanqing Li},
journal= {arXiv preprint arXiv:2003.13954},
year = {2020}
}
备注
Accepted by CVPR 2020, 10 pages, 6 figures,