协调基类与新类：面向广义少样本分割的类对比方法
计算机视觉与模式识别
2023-03-27 v1
摘要
当前少样本分割（FSSeg）方法主要聚焦于提升新类的性能，而忽视了基类的性能。为克服此局限，广义少样本语义分割（GFSSeg）任务被提出，旨在对基类和新类均预测分割掩码。然而，当前基于原型的方法在更新原型时未显式考虑基类与新类之间的关系，导致识别真实类别的性能有限。为应对该挑战，我们提出类对比损失与类关系损失，以规范原型更新并促使不同类的原型间距离较大，从而在保持基类性能的同时区分各类。我们所提方法在 PASCAL VOC 与 MS COCO 数据集上取得了广义少样本分割任务的新 SOTA 性能。
引用
@article{arxiv.2303.13724,
title = {Harmonizing Base and Novel Classes: A Class-Contrastive Approach for Generalized Few-Shot Segmentation},
author = {Weide Liu and Zhonghua Wu and Yang Zhao and Yuming Fang and Chuan-Sheng Foo and Jun Cheng and Guosheng Lin},
journal= {arXiv preprint arXiv:2303.13724},
year = {2023}
}