增量少样本实例分割
计算机视觉与模式识别
2021-05-13 v1
摘要
当新类别的有标注训练数据稀缺时，少样本实例分割方法颇具前景。然而，当前方法不利于灵活添加新类别。它们还要求训练和测试时提供每类的样本，这在内存上开销很大。在本文中，我们通过提出首个少样本实例分割的增量方法 iMTFA 来解决这些局限。我们学习物体实例的判别性嵌入，并将其合并为类别代表。存储嵌入向量而非图像有效解决了内存开销问题。我们在 RoI 级别使用余弦相似度匹配这些类别嵌入。这使我们能够添加新类别而无需进一步训练或访问先前的训练数据。在一系列实验中，我们持续优于当前最先进水平。此外，减少的内存需求使我们首次能够联合评估 COCO 中所有类别的少样本实例分割性能。
引用
@article{arxiv.2105.05312,
title = {Incremental Few-Shot Instance Segmentation},
author = {Dan Andrei Ganea and Bas Boom and Ronald Poppe},
journal= {arXiv preprint arXiv:2105.05312},
year = {2021}
}
备注
Accepted to CVPR 2021