用于少样本分割的原型精炼网络
计算机视觉与模式识别
2020-05-12 v2
摘要
少样本分割旨在利用少量标注图像对新类别进行分割。它比利用大量标注图像分割已知类别的传统语义分割任务更具挑战性。本文中，我们提出一种原型精炼网络（Prototype Refinement Network, PRNet）以应对少样本分割的挑战。它首先学习从已知类别的支持图像和查询图像中双向提取原型。此外，为提取新类别的代表性原型，我们采用自适应与融合进行原型精炼。自适应步骤使模型学习新概念，其通过重新训练直接实现。原型融合首次被提出，将支持原型与查询原型融合，整合来自双方的知识。它在原型精炼中有效且不引入额外的可学习参数。通过这种方式，原型在低数据情形下变得更具判别性。在PASAL-和COCO-上的实验证明了我们方法的优越性。尤其在COCO-上，PRNet在1-shot设定下以13.1%的大幅度显著优于现有方法。
引用
@article{arxiv.2002.03579,
title = {Prototype Refinement Network for Few-Shot Segmentation},
author = {Jinlu Liu and Yongqiang Qin},
journal= {arXiv preprint arXiv:2002.03579},
year = {2020}
}