RestNet：通过残差变换网络提升跨域少样本分割
计算机视觉与模式识别
2023-09-15 v2
摘要
跨域少样本分割（CD-FSS）旨在利用少量标注样本在先前未见的域中实现语义分割。尽管现有 CD-FSS 模型聚焦于跨域特征变换，但仅依赖域间知识迁移可能导致关键域内信息的丢失。为此，我们提出一种新颖的残差变换网络（RestNet），在促进知识迁移的同时保留域内支持-查询特征信息。具体而言，我们提出语义增强锚定变换（SEAT）模块，利用高级语义将特征映射到稳定的域无关空间。此外，设计了一种域内残差增强（IRE）模块，以在新空间中保持原始判别空间的域内表示。我们还提出基于原型融合的掩码预测策略，帮助模型逐步学习如何分割。我们的 RestNet 能够从域间与域内两方面迁移跨域知识，且无需额外微调。在 ISIC、Chest X-ray 和 FSS-1000 上的大量实验表明，我们的 RestNet 取得了当前最优（state-of-the-art）性能。我们的代码将很快公开。
引用
@article{arxiv.2308.13469,
title = {RestNet: Boosting Cross-Domain Few-Shot Segmentation with Residual Transformation Network},
author = {Xinyang Huang and Chuang Zhu and Wenkai Chen},
journal= {arXiv preprint arXiv:2308.13469},
year = {2023}
}
备注
BMVC 2023