MaskDiff：用扩散概率模型建模掩码分布的小样本实例分割
计算机视觉与模式识别
2024-01-23 v2
摘要
小样本实例分割将小样本学习范式扩展到实例分割任务，旨在利用少量新类别的标注样本从查询图像中分割实例对象。传统方法试图通过原型学习（即点估计）解决该任务。然而，该机制依赖原型（如 shot 的均值）进行预测，导致性能不稳定。为克服点估计机制的缺陷，我们提出一种新方法 MaskDiff，其对以目标区域和 shot 信息为条件的二值掩码底层条件分布进行建模。受以高斯噪声扰动数据以填充低密度区域的数据增强方法启发，我们用扩散概率模型对掩码分布建模。我们还提出利用无分类器引导的掩码采样，将类别信息整合进二值掩码生成过程。不借助额外技巧，我们所提方法在 COCO 数据集的基类与新类上均一致优于最先进（SOTA）方法，同时比现有方法更稳定。源代码见：https://github.com/minhquanlecs/MaskDiff。
引用
@article{arxiv.2303.05105,
title = {MaskDiff: Modeling Mask Distribution with Diffusion Probabilistic Model for Few-Shot Instance Segmentation},
author = {Minh-Quan Le and Tam V. Nguyen and Trung-Nghia Le and Thanh-Toan Do and Minh N. Do and Minh-Triet Tran},
journal= {arXiv preprint arXiv:2303.05105},
year = {2024}
}
备注
Accepted at AAAI 2024 (oral presentation)