面向少样本分割的类间原型关系
计算机视觉与模式识别
2022-11-17 v1
摘要
传统的语义分割需要大量标注图像数据集，且只能在预定义类别内进行预测。为解决此问题，仅需新目标类别少量标注的少样本分割十分重要。然而，在少样本分割中，由于样本数据变化细微，目标类别在特征空间中的数据分布稀疏且覆盖率低。设定能恰当分离目标类别与其他类别的分类边界是一项不可能完成的任务。尤其难以对边界附近与目标类别相似的类别进行分类。本研究提出类间原型关系网络（IPRNet），通过降低其他类别间的相似性来提升分离性能。我们在 Pascal-5i 和 COCO-20i 上进行了大量实验，表明 IPRNet 相较于以往研究提供了最佳的分割性能。
引用
@article{arxiv.2211.08681,
title = {Interclass Prototype Relation for Few-Shot Segmentation},
author = {Atsuro Okazawa},
journal= {arXiv preprint arXiv:2211.08681},
year = {2022}
}
备注
Accepted to ECCV2022