基于原型的增量少样本语义分割
计算机视觉与模式识别
2021-10-19 v2
摘要
语义分割模型有两个根本性弱点：i) 它们需要带有昂贵像素级标注的大型训练集；ii) 它们具有静态输出空间，受限于训练集的类别。为同时解决这两个问题，我们引入了一项新任务——增量少样本分割（iFSS）。iFSS 的目标是利用少量标注图像并在无法访问旧训练数据的情况下，用新类别扩展预训练的分割模型。为克服现有模型在 iFSS 中的局限，我们提出了基于原型的增量少样本分割（PIFS），其将原型学习与知识蒸馏相结合。PIFS 利用原型来初始化新类别的分类器，并对网络进行微调以优化其特征表示。我们设计了一种基于原型的蒸馏损失，作用于新旧类别原型的分数上，以避免过拟合与遗忘，并采用批重归一化来处理非独立同分布的少样本数据。我们为 iFSS 构建了一个广泛的基准，表明 PIFS 在所有场景下均优于多种少样本与增量学习方法。
引用
@article{arxiv.2012.01415,
title = {Prototype-based Incremental Few-Shot Semantic Segmentation},
author = {Fabio Cermelli and Massimiliano Mancini and Yongqin Xian and Zeynep Akata and Barbara Caputo},
journal= {arXiv preprint arXiv:2012.01415},
year = {2021}
}
备注
Accepted at BMVC 2021 (Poster)