面向少样本语义分割的物体性感知方法
计算机视觉与模式识别
2021-10-14 v3
摘要
少样本语义分割模型旨在仅从少量标注样本学习后对图像进行分割。其关键挑战因可用训练数据有限而如何避免过拟合。先前工作通常限制整体模型容量以缓解过拟合，但这损害了分割精度。我们展示了如何通过引入物体性（objectness）来提升整体模型容量以获得更优性能——物体性为类无关，故不易过拟合，可与类特定特征互补使用。大量实验证明了我们引入物体性这一简单方法对不同基础架构（依赖不同数据加载器与训练计划：DENet、PFENet）以及不同骨干模型（ResNet-50、ResNet-101 与 HRNetV2-W48）的通用性。在仅给定一个未见类别的标注样本时，实验表明我们的方法在 PASCAL-5i 与 COCO-20i 上相对 mIoU 分别至少超越 SOTA 方法 4.7% 与 1.5%。
引用
@article{arxiv.2004.02945,
title = {Objectness-Aware Few-Shot Semantic Segmentation},
author = {Yinan Zhao and Brian Price and Scott Cohen and Danna Gurari},
journal= {arXiv preprint arXiv:2004.02945},
year = {2021}
}