RaSP：面向弱监督增量分割的关系感知语义先验
计算机视觉与模式识别
2023-06-01 v1
摘要
类增量语义图像分割假设进行多次模型更新，每次更新使模型能够分割新类别。这通常通过为所有新对象向训练算法提供昂贵的像素级标注来完成，限制了此类方法在实际应用中的采用。仅需要图像级标注的方法提供了一种有吸引力的替代方案，然而此类粗标注缺乏关于新对象位置与边界的精确信息。在本文中，我们认为，由于类别不仅代表索引而是语义实体，它们之间的概念关系可提供应被利用的有价值信息。我们提出了一种弱监督方法，利用此类语义关系将目标性先验从先前学习的类别迁移到新类别，补充来自图像级标注的监督信号。我们在若干持续学习任务上验证了我们的方法，并展示了即便是类别间简单的成对交互也能显著提升旧类与新类的分割掩码质量。我们表明这些结论在更长因而更真实的任务序列以及具有挑战性的少样本场景下仍然成立。
引用
@article{arxiv.2305.19879,
title = {RaSP: Relation-aware Semantic Prior for Weakly Supervised Incremental Segmentation},
author = {Subhankar Roy and Riccardo Volpi and Gabriela Csurka and Diane Larlus},
journal= {arXiv preprint arXiv:2305.19879},
year = {2023}
}
备注
Accepted to CoLLAs 2023