用于少样本分割的自引导与交叉引导学习
计算机视觉与模式识别
2021-03-31 v1
摘要
少样本分割因能以少量标注样本分割未见物体类别而备受关注。大多数现有方法使用掩码全局平均池化（GAP）将标注的支持图像编码为特征向量以辅助查询图像分割。然而，该流程因平均操作不可避免地丢失了一些判别性信息。本文提出一种简单而有效的自引导学习方法，挖掘了丢失的关键信息。具体而言，通过对标注支持图像进行初始预测，分别使用掩码 GAP 将覆盖与未覆盖的前景区域编码为主支持向量与辅助支持向量。通过聚合主支持向量与辅助支持向量，在查询图像上获得了更好的分割性能。受用于 1-shot 分割的自引导模块启发，我们提出了用于多 shot 分割的交叉引导模块，其中最终掩码由多个标注样本的预测融合得到，高质量支持向量贡献更多，反之亦然。该模块在推理阶段无需重新训练即可改进最终预测。大量实验表明，我们的方法在 PASCAL-5i 与 COCO-20i 数据集上均取得了新的 SOTA 性能。
引用
@article{arxiv.2103.16129,
title = {Self-Guided and Cross-Guided Learning for Few-Shot Segmentation},
author = {Bingfeng Zhang and Jimin Xiao and Terry Qin},
journal= {arXiv preprint arXiv:2103.16129},
year = {2021}
}
备注
CVPR 2021