PANet：基于原型对齐的小样本图像语义分割
计算机视觉与模式识别
2020-02-10 v2
摘要
尽管深度 CNN 在图像语义分割方面取得了巨大进展，但它们通常需要大量密集标注图像进行训练，且难以泛化到未见过的物体类别。因此，小样本分割被提出以从仅少量标注样本中学习执行分割。在本文中，我们从度量学习的角度解决具有挑战性的小样本分割问题，并提出 PANet，一种新颖的原型对齐网络，以更好地利用支持集的信息。我们的 PANet 在嵌入空间内从少量支持图像中学习类别特定的原型表示，然后通过匹配每个像素与所学原型在查询图像上执行分割。借助非参数度量学习，PANet 提供了对每个语义类别具有代表性且对不同类别具区分性的高质量原型。此外，PANet 引入了支持集与查询之间的原型对齐正则化。由此，PANet 充分利用支持集的知识，并在小样本分割上提供更好的泛化能力。显著地，我们的模型在 PASCAL-5i 的 1-shot 和 5-shot 设置下分别取得了 48.1% 和 55.7% 的 mIoU 分数，比最先进（SOTA）方法分别高出 1.8% 和 8.6%。
引用
@article{arxiv.1908.06391,
title = {PANet: Few-Shot Image Semantic Segmentation with Prototype Alignment},
author = {Kaixin Wang and Jun Hao Liew and Yingtian Zou and Daquan Zhou and Jiashi Feng},
journal= {arXiv preprint arXiv:1908.06391},
year = {2020}
}
备注
10 pages, 6 figures, ICCV 2019, code available at https://github.com/kaixin96/PANet