HM：用于少样本分割的混合掩码方法
计算机视觉与模式识别
2022-07-26 v2
摘要
我们研究少样本语义分割，其目标是在给定目标类别的少量标注支持图像时，从查询图像中分割出目标物体。若干近期方法采用特征掩码(FM)技术来丢弃无关的特征激活，从而有助于可靠地预测分割掩码。FM的一个根本局限在于无法保留影响分割掩码精度(尤其对小目标物体)的细粒度空间细节。本文中，我们开发了一种简单、有效且高效的方法来增强特征掩码(FM)。我们将增强的FM称为混合掩码(HM)。具体而言，我们通过研究并利用一种互补的基础输入掩码方法，来补偿FM技术中细粒度空间细节的损失。我们在三个公开基准上结合强少样本分割(FSS)基线进行了实验。我们凭经验表明，在不同基准上相较当前最优方法取得了可见幅度的性能提升。我们的代码与训练模型可见于：https://github.com/moonsh/HM-Hybrid-Masking
引用
@article{arxiv.2203.12826,
title = {HM: Hybrid Masking for Few-Shot Segmentation},
author = {Seonghyeon Moon and Samuel S. Sohn and Honglu Zhou and Sejong Yoon and Vladimir Pavlovic and Muhammad Haris Khan and Mubbasir Kapadia},
journal= {arXiv preprint arXiv:2203.12826},
year = {2022}
}
备注
14 pages