FSS-1000：一个用于少样本分割的千类数据集
计算机视觉与模式识别
2020-12-29 v2
摘要
过去几年中，得益于 PASCAL VOC、ImageNet 和 COCO 等大规模人工标注数据集的可用，我们见证了深度学习在图像识别中的成功。尽管这些数据集已覆盖广泛的物体类别，仍有大量物体未被包含。我们能否在无需大量人工标注的情况下执行相同任务？本文关注少样本物体分割，其中标注训练样本数仅限 5 个。为评估和验证我们方法的性能，我们构建了少样本分割数据集 FSS-1000，其包含 1000 个物体类别及真实分割的像素级标注。FSS-1000 的独特之处在于，其包含大量此前数据集中从未出现或标注过的物体，如微小日常物品、商品、卡通角色、徽标等。我们使用 VGG-16、ResNet-101 和 Inception 等标准骨干网络构建基线模型。令人惊讶的是，我们发现仅使用 FSS-1000 从零训练模型取得了与用比其大 100 倍以上的 ImageNet 预训练权重训练相当甚至更好的结果。我们的方法与数据集均简单、有效，且易于扩展到以极少标注训练样本学习新物体类别的分割。数据集可从 https://github.com/HKUSTCV/FSS-1000 获取。
引用
@article{arxiv.1907.12347,
title = {FSS-1000: A 1000-Class Dataset for Few-Shot Segmentation},
author = {Xiang Li and Tianhan Wei and Yau Pun Chen and Yu-Wing Tai and Chi-Keung Tang},
journal= {arXiv preprint arXiv:1907.12347},
year = {2020}
}