利用粗粒度监督改进少样本部件分割
计算机视觉与模式识别
2022-07-29 v2
摘要
训练用于部件分割的深度网络的一个重大瓶颈是获取精细标注的成本。我们提出一个框架，利用某些类别中易于获得的粗粒度标签（如前景-背景掩码和关键点位置）来改进部件分割模型。一个关键挑战是，这些标注是为不同任务收集且采用不同标注风格，无法轻易映射到部件标签。为此，我们提出联合学习标注风格与部件分割模型之间的依赖关系，从而能够利用来自多样化标签的监督。为评估我们的方法，我们在 Caltech-UCSD 鸟类数据集和 OID Aircraft 数据集上构建了一个基准。我们的方法优于基于多任务学习、半监督学习的方法，以及依赖手动设计的损失函数来利用稀疏监督的竞争性方法。
引用
@article{arxiv.2204.05393,
title = {Improving Few-Shot Part Segmentation using Coarse Supervision},
author = {Oindrila Saha and Zezhou Cheng and Subhransu Maji},
journal= {arXiv preprint arXiv:2204.05393},
year = {2022}
}
备注
ECCV'22 Camera Ready