GANORCON：生成模型对少样本分割是否有用？
计算机视觉与模式识别
2022-05-02 v2
摘要
基于 GAN 的生成建模进展已促使学界寻找其在图像生成与编辑任务之外的用途。具体而言，近期若干工作表明 GAN 表征可被重新用于判别任务，例如部件分割，尤其在训练数据有限时。但这些改进相较于自监督学习的最新进展表现如何？受此驱动，我们提出一种基于对比学习的替代方法，并在标准少样本部件分割基准上比较其性能。我们的实验揭示，基于 GAN 的方法不仅未提供显著性能优势，其多步训练复杂、慢近一个数量级，并可能引入额外偏差。这些实验表明，生成模型的归纳偏置（如解耦形状与纹理的能力）已被使用对比学习训练的标准前馈网络充分捕捉。这些实验表明，当前生成模型中存在的归纳偏置（如解耦形状与纹理的能力）已被使用对比学习训练的标准前馈网络充分捕捉。
引用
@article{arxiv.2112.00854,
title = {GANORCON: Are Generative Models Useful for Few-shot Segmentation?},
author = {Oindrila Saha and Zezhou Cheng and Subhransu Maji},
journal= {arXiv preprint arXiv:2112.00854},
year = {2022}
}
备注
CVPR 2022 Camera Ready Version