用于少样本分割的分层密集关联蒸馏（扩展摘要）
计算机视觉与模式识别
2023-06-28 v1
摘要
少样本语义分割（FSS）旨在构建与类别无关的模型，仅用少量标注即可分割未见类别。以往方法受限于语义特征和原型表示，存在分割粒度粗和训练集过拟合的问题。本工作中，我们设计了基于 transformer 架构、挖掘像素级支持关联的分层解耦匹配网络（HDMNet）。自注意力模块用于辅助建立分层密集特征，以实现查询与支持特征间的级联匹配。此外，我们提出一种匹配模块以减轻训练集过拟合，并引入从粗分辨率利用语义对应来提升细粒度分割的关联蒸馏。我们的方法在实验中表现良好。在 COCO 数据集上，单样本设定下我们取得 50.0% mIoU，五样本分割下取得 56.0%。代码将于项目网站发布。我们希望本工作能惠及需要以少量标注合理识别新类别的更广泛工业应用。
引用
@article{arxiv.2306.15278,
title = {Hierarchical Dense Correlation Distillation for Few-Shot Segmentation-Extended Abstract},
author = {Bohao Peng and Zhuotao Tian and Xiaoyang Wu and Chengyao Wang and Shu Liu and Jingyong Su and Jiaya Jia},
journal= {arXiv preprint arXiv:2306.15278},
year = {2023}
}
备注
Accepted to CVPR 2023 VISION Workshop, Oral. The extended abstract of Hierarchical Dense Correlation Distillation for Few-Shot Segmentation. arXiv admin note: substantial text overlap with arXiv:2303.14652