MSANet：多相似度与注意力引导以提升少样本分割
计算机视觉与模式识别
2022-06-22 v1
摘要
少样本分割（FSS）旨在仅给定少量密集标注样本的情况下分割未见类物体。原型学习通过平均全局与局部物体信息由支持特征产生单个或若干原型，已广泛用于 FSS。然而，仅利用原型向量可能不足以表示所有训练数据的特征。为提取丰富特征并作出更精确预测，我们提出多相似度与注意力网络（MSANet），包含两新颖模块：多相似度模块与注意力模块。多相似度模块利用支持图像与查询图像的多个特征图来估计准确语义关系。注意力模块指导网络聚焦于类相关资讯。该网络在标准 FSS 数据集 PASCAL-5i 1-shot、PASCAL-5i 5-shot、COCO-20i 1-shot 与 COCO-20i 5-shot 上测试。以 ResNet-101 为骨干的 MSANet 在所有 4 个基准数据集上取得最先进性能，平均交并比（mIoU）分别为 69.13%、73.99%、51.09%、56.80%。代码见 https://github.com/AIVResearch/MSANet
引用
@article{arxiv.2206.09667,
title = {MSANet: Multi-Similarity and Attention Guidance for Boosting Few-Shot Segmentation},
author = {Ehtesham Iqbal and Sirojbek Safarov and Seongdeok Bang},
journal= {arXiv preprint arXiv:2206.09667},
year = {2022}
}