学习不分割什么：少样本分割的新视角
计算机视觉与模式识别
2022-03-30 v2
摘要
近年来少样本分割（FSS）得到了广泛发展。以往多数工作力求通过源自分类任务的元学习框架实现泛化；然而，训练得到的模型偏向于所见类别，而非理想地类不可知，从而阻碍了对新概念的识别。本文提出了一种新颖而直接的见解以缓解该问题。具体而言，我们在常规 FSS 模型（元学习器）上附加一个分支（基学习器），以显式识别基类别的目标，即不需要被分割的区域。随后，这两个学习器并行输出的粗粒度结果被自适应地整合以产生精确的分割预测。考虑到元学习器的敏感性，我们进一步引入一个调整因子来估计输入图像对之间的场景差异，以促进模型集成预测。在 PASCAL-5i 和 COCO-20i 上的大幅性能提升验证了方法的有效性，且令人惊讶的是，即便仅使用两个朴素学习器，我们通用的方案也刷新了最优性能。此外，鉴于所提方法的独特性质，我们将其扩展至更真实但更具挑战性的设定，即广义 FSS，其中基类别与新类别的像素均需被判定。源代码见 github.com/chunbolang/BAM。
引用
@article{arxiv.2203.07615,
title = {Learning What Not to Segment: A New Perspective on Few-Shot Segmentation},
author = {Chunbo Lang and Gong Cheng and Binfei Tu and Junwei Han},
journal= {arXiv preprint arXiv:2203.07615},
year = {2022}
}
备注
Accepted to CVPR 2022 Oral