通过转导迁移学习无偏的零样本语义分割网络
计算机视觉与模式识别
2020-07-02 v1
摘要
语义分割旨在获取对图像的细致理解，是计算机视觉中的基本问题。然而在实际场景中，不同于训练类别的新类别通常会出现。由于为所有类别收集标注数据并不现实，如何在语义分割中进行零样本学习成为一个重要问题。尽管类别的属性嵌入可促进跨不同类别的有效知识迁移，分割网络的预测显示出对可见类别的明显偏置。本文提出一种易于实现的转导方法来缓解零样本语义分割中的预测偏置。我们的方法假设在训练期间同时可用带有全像素级标注的源图像与无标注目标图像。具体而言，源图像用于学习视觉图像与语义嵌入之间的关系，而目标图像用于缓解朝向可见类别的预测偏置。我们在 PASCAL 数据集的不同划分上进行了全面实验。实验结果清晰地证明了我们方法的有效性。
引用
@article{arxiv.2007.00515,
title = {Learning unbiased zero-shot semantic segmentation networks via transductive transfer},
author = {Haiyang Liu and Yichen Wang and Jiayi Zhao and Guowu Yang and Fengmao Lv},
journal= {arXiv preprint arXiv:2007.00515},
year = {2020}
}