用于少样本语义分割的自正则化原型网络
计算机视觉与模式识别
2022-11-01 v1
摘要
图像语义分割中的深度 CNN 通常需要大量密集标注图像进行训练，且难以泛化到未见过的物体类别。因此，少样本分割被提出以仅用少量标注样本执行分割。本工作中，我们采用基于原型提取的自正则化原型网络（SRPNet）来解决少样本分割问题，以更好地利用支持集信息。所提 SRPNet 从支持图像中提取类特定原型表示，并通过距离度量——保真度（fidelity）为查询图像生成分割掩码。SRPNet 中提出了一种直接而有效的支持集原型正则化，其中生成的原型在支持集自身上被评估与正则化。生成的原型恢复支持掩码的程度施加了性能上限。无论知识从支持集到查询集泛化得多么完整，查询集上的性能都不应超过该上限。借助特定的原型正则化，SRPNet 充分利用支持集知识，并提供高质量原型，既对每一语义类具有代表性，又对不同类具有判别性。查询性能通过结合一组正则化原型的迭代查询推理（IQI）模块进一步提升。我们提出的 SRPNet 在 1-shot 和 5-shot 分割基准上取得了新的 SOTA 性能。
引用
@article{arxiv.2210.16829,
title = {Self-Regularized Prototypical Network for Few-Shot Semantic Segmentation},
author = {Henghui Ding and Hui Zhang and Xudong Jiang},
journal= {arXiv preprint arXiv:2210.16829},
year = {2022}
}
备注
Pattern Recognition (PR)