广义少样本语义分割：仅需微调
计算机视觉与模式识别
2022-03-25 v3 机器学习
摘要
广义少样本语义分割的提出是为了超越仅在新颖类别上评估少样本分割模型，而将测试其记忆基类别的能力纳入考量。当前最先进方法基于元学习，但性能较差且在仅观测到少量样本后学习便饱和。我们提出首个微调方案，并证明其在PASCAL-5i与COCO-20i两个数据集上解决了饱和问题，同时取得了最先进结果。我们还表明，无论微调多个最终层还是仅微调最终层，该方法均优于现有方法。最后，我们提出一种三元组损失正则化，展示了如何重新分配新颖类别与基类别之间的性能平衡，以缩小二者差距。
引用
@article{arxiv.2112.10982,
title = {Generalized Few-Shot Semantic Segmentation: All You Need is Fine-Tuning},
author = {Josh Myers-Dean and Yinan Zhao and Brian Price and Scott Cohen and Danna Gurari},
journal= {arXiv preprint arXiv:2112.10982},
year = {2022}
}
备注
Includes supplementary materials