用于少样本分割的超相关压缩
计算机视觉与模式识别
2021-10-18 v3
摘要
少样本语义分割旨在仅使用目标类别的少量带标注支持图像，从查询图像中学习分割目标物体。这一挑战性任务需要理解多层级视觉线索并分析查询图像与支持图像间的细粒度对应关系。为此，我们提出超相关压缩网络（HSNet），其利用多级特征相关与高效的 4D 卷积。它从卷积中间层的不同层级提取多样特征，并构建一组 4D 相关张量，即超相关。该方法在金字塔架构中使用高效的中心轴 4D 卷积，以由粗到细的方式将超相关中的高层语义与低层几何线索逐步压缩为精确的分割掩码。在 PASCAL-5i、COCO-20i 与 FSS-1000 标准少样本分割基准上的显著性能提升验证了所提方法的有效性。
引用
@article{arxiv.2104.01538,
title = {Hypercorrelation Squeeze for Few-Shot Segmentation},
author = {Juhong Min and Dahyun Kang and Minsu Cho},
journal= {arXiv preprint arXiv:2104.01538},
year = {2021}
}
备注
Accepted to ICCV 2021