ProMi：一种用于边界框标注小样本分割的高效原型混合基线方法
计算机视觉与模式识别
2025-05-20 v1 人工智能
机器学习
机器人学
摘要
在机器人应用中，小样本分割至关重要，因为它允许机器人以最少的训练数据执行复杂任务，促进其适应多样化的真实世界环境。然而，即使对少量图像进行像素级标注也非常耗时且成本高昂。本文提出了一种基于边界框标注而非像素级标签的新型小样本二值分割方法。我们引入了 ProMi，一种高效的原型混合方法，将背景类视为分布的混合。我们的方法简单、无需训练且有效，能够轻松适应粗略标注。与现有基线方法相比，ProMi 在不同数据集上均取得了最佳结果，且提升显著，证明了其有效性。此外，我们展示了针对真实世界移动机器人任务定制的定性实验，证明了我们的方法在此类场景中的适用性。我们的代码：https://github.com/ThalesGroup/promi。
引用
@article{arxiv.2505.12547,
title = {ProMi: An Efficient Prototype-Mixture Baseline for Few-Shot Segmentation with Bounding-Box Annotations},
author = {Florent Chiaroni and Ali Ayub and Ola Ahmad},
journal= {arXiv preprint arXiv:2505.12547},
year = {2025}
}