MFNet：基于像素级度量学习的多类少样本分割网络
计算机视觉与模式识别
2022-07-29 v4
摘要
在视觉识别任务中，少样本学习需要具备以少量支撑样本学习物体类别的能力。其在深度学习发展背景下的重新流行主要体现在图像分类中。本工作聚焦于少样本语义分割，这仍是一个很大程度上未被充分探索的领域。近期少数进展常受限于单类少样本分割。本文中，我们首先提出一种新颖的多路（类）编码与解码架构，其将多尺度查询信息与多类支撑信息有效融合为单一的查询-支撑嵌入。多类分割直接基于此嵌入解码。为更好的特征融合，架构内提出一种多级注意力机制，包括用于支撑特征调制的注意力与用于多尺度组合的注意力。最后，为增强嵌入空间学习，引入额外的像素级度量学习模块，并在输入图像的像素级嵌入上构建三元组损失。在标准基准 PASCAL-5i 与 COCO-20i 上的大量实验表明，我们的方法相对于少样本分割最先进技术具有明显优势。
引用
@article{arxiv.2111.00232,
title = {MFNet: Multi-class Few-shot Segmentation Network with Pixel-wise Metric Learning},
author = {Miao Zhang and Miaojing Shi and Li Li},
journal= {arXiv preprint arXiv:2111.00232},
year = {2022}
}
备注
Accepted on IEEE Transactions on Circuits and Systems for Video Technology