用于少样本语义分割的四元数相关学习
计算机视觉与模式识别
2023-09-01 v3
摘要
少样本分割(FSS)旨在仅给定少量标注样本的情况下分割未见类别。通过利用从具有充足训练样本的基础类中学到的语义特征来表示新类别，FSS已取得令人鼓舞的进展。基于相关性的方法由于缺乏考虑两个子空间匹配分数交互的能力，这源于实值二维卷积的固有特性。本文引入四元数视角下的相关学习，提出一种新颖的四元数相关学习网络(QCLNet)，旨在减轻高维相关张量的计算负担，并利用已建立的四元数代数所定义的运算来探索查询图像与支持图像之间的内部潜在交互。具体而言，我们的QCLNet被构建为超复数 valued 网络，并在四元数域中表示相关张量，其使用四元数卷积在考虑四元数空间中支持子维度的隐藏关系时探索查询子空间的外部关系。在PASCAL-5i和COCO-20i数据集上的大量实验表明，我们的方法有效优于现有的最先进方法。我们的代码可在 https://github.com/zwzheng98/QCLNet 获取，我们的文章“Quaternion-valued Correlation Learning for Few-Shot Semantic Segmentation”发表于 IEEE Transactions on Circuits and Systems for Video Technology, vol. 33, no.5, pp.2102-2115, May 2023, doi: 10.1109/TCSVT.2022.3223150。
引用
@article{arxiv.2305.07283,
title = {Quaternion-valued Correlation Learning for Few-Shot Semantic Segmentation},
author = {Zewen Zheng and Guoheng Huang and Xiaochen Yuan and Chi-Man Pun and Hongrui Liu and Wing-Kuen Ling},
journal= {arXiv preprint arXiv:2305.07283},
year = {2023}
}
备注
for associated paper file, see https://ieeexplore.ieee.org/document/9954424?source=authoralert