基于多相似度的超关系网络用于少样本分割
计算机视觉与模式识别
2022-06-24 v5
摘要
少样本语义分割旨在仅以少量标注样本作为监督来识别未见类别的目标区域。少样本分割的关键在于建立支持图像与查询图像间鲁棒的语义关系并防止过拟合。本文中，我们提出一种有效的多相似度超关系网络(MSHNet)来解决少样本语义分割问题。在MSHNet中，我们提出一种新的生成式原型相似度(GPS)，其与余弦相似度一起可建立支持图像与查询图像间的强语义关系。基于全局特征局部生成的原型相似度与基于局部特征的全局余弦相似度在逻辑上互补，同时使用两种相似度可更全面地表达查询图像与支持图像间的关系。此外，我们在MSHNet中提出对称合并块(SMB)以高效合并多层、多样本与多相似度的超关系特征。MSHNet建立在相似度而非特定类别特征的基础上，可实现更通用的统一性并有效减少过拟合。在两个基准语义分割数据集Pascal-5i与COCO-20i上，MSHNet在1-shot与5-shot语义分割任务中取得了新的SOTA性能。
引用
@article{arxiv.2203.09550,
title = {Multi-similarity based Hyperrelation Network for few-shot segmentation},
author = {Xiangwen Shi and Zhe Cui and Shaobing Zhang and Miao Cheng and Lian He and Xianghong Tang},
journal= {arXiv preprint arXiv:2203.09550},
year = {2022}
}