组织背景以探索增量小样本语义分割中的潜在类别
计算机视觉与模式识别
2024-05-31 v1
摘要
增量小样本语义分割（iFSS）的目标是通过少量标注图像将预训练的分割模型扩展到新类别，同时不访问旧训练数据。在增量学习新类别时，旧类别的数据分布会被破坏，导致灾难性遗忘。同时，新类别只有少量样本，使得模型无法学习到令人满意的新类别表示。针对iFSS问题，我们提出了一种名为OINet的网络，即背景嵌入空间组织和原型继承网络。具体来说，在训练基类时，OINet使用多个分类头处理背景，并设置多个子类原型为潜在的新类别保留嵌入空间。在增量学习新类别时，我们提出了一种策略来选择与当前学习的新类别最匹配的子类原型，并使新类别继承所选原型的嵌入空间。这一操作允许新类别使用少量样本在嵌入空间中注册，而不影响基类别的分布。在Pascal-VOC和COCO上的结果表明，OINet达到了新的最先进水平。
引用
@article{arxiv.2405.19568,
title = {Organizing Background to Explore Latent Classes for Incremental Few-shot Semantic Segmentation},
author = {Lianlei Shan and Wenzhang Zhou and Wei Li and Xingyu Ding},
journal= {arXiv preprint arXiv:2405.19568},
year = {2024}
}
备注
10 pages, 5 figures