用于少样本语义分割的相关内在特征增强网络
计算机视觉与模式识别
2023-12-12 v1
摘要
对于少样本语义分割，首要任务是从有限的标注数据中提取类特定的内在信息。然而，以往方法的语义模糊性和类间相似性限制了像素级前景-背景分类的准确性。为了缓解这些问题，我们提出了相关内在特征增强网络（RiFeNet）。为了提高前景实例的语义一致性，我们提出了一种无标签分支作为一种高效的数据利用方法，该方法教导模型如何提取对类内差异具有鲁棒性的内在特征。值得注意的是，在测试期间，所提出的无标签分支被排除在外，不需要额外的无标签数据和计算。此外，我们通过提出一种新颖的多级原型生成与交互模块，扩展了前景与背景之间的类间差异性。全局与局部原型之间不同粒度的互补性使得能够更好地区分相似类别。RiFeNet 的定性和定量性能在 PASCAL-5i 和 COCO 基准上超越了 SOTA 方法。
引用
@article{arxiv.2312.06474,
title = {Relevant Intrinsic Feature Enhancement Network for Few-Shot Semantic Segmentation},
author = {Xiaoyi Bao and Jie Qin and Siyang Sun and Yun Zheng and Xingang Wang},
journal= {arXiv preprint arXiv:2312.06474},
year = {2023}
}
备注
Accepted in AAAI 2024