基于元原型与先验增强的小样本分割
计算机视觉与模式识别
2021-06-02 v1
摘要
小样本分割(FSS)性能已通过引入情景训练与类级原型得到广泛提升。然而，FSS 问题仍具挑战性，源于三个局限：(1) 模型被任务无关信息干扰；(2) 单一原型的表征能力有限；(3) 类相关原型忽略了基类的先验知识。我们提出带元原型的先验增强网络以应对这些局限。该先验增强网络在特征提取中利用支持集与查询集的(伪)标签，引导模型聚焦于前景物体的任务相关特征，并抑制因缺乏监督知识而产生的噪声。此外，我们引入多个元原型以编码分层特征并学习类无关的结构信息。分层特征帮助模型突出决策边界并关注困难像素，而从基类学习到的结构信息被视作新类的先验知识。实验表明，我们的方法在 PASCAL- 与 COCO- 上取得 60.79% 与 41.16% 的平均交并比得分，在 5-shot 设定下分别超越最先进方法 3.49% 与 5.64%。此外，相较于 1-shot 结果，我们的方法在上述两个基准上分别将 5-shot 精度提升 3.73% 与 10.32%。我们的方法源代码见 https://github.com/Jarvis73/PEMP。
引用
@article{arxiv.2106.00572,
title = {Prior-Enhanced Few-Shot Segmentation with Meta-Prototypes},
author = {Jian-Wei Zhang and Lei Lv and Yawei Luo and Hao-Zhe Feng and Yi Yang and Wei Chen},
journal= {arXiv preprint arXiv:2106.00572},
year = {2021}
}