面向语义分割的自监督少样本学习：一种无标注方法
计算机视觉与模式识别
2023-07-28 v1
摘要
少样本语义分割（FSS）在医学图像分析领域具有巨大潜力，能够在有限训练数据下实现准确的目标分割。然而，现有 FSS 技术严重依赖带标注的语义类别，因标注稀缺而不适用于医学图像。为应对此挑战，本文提出多项贡献：首先，受谱分解方法启发，将图像分解问题重构为图划分任务，通过分析自监督网络特征亲和矩阵导出的拉普拉斯矩阵特征向量，从支持图像中估计感兴趣目标的分布。其次，我们提出一种不依赖任何标注的新型自监督 FSS 框架，转而利用支持图像所得特征向量自适应估计查询掩码，消除了人工标注需求，特别适合标注数据有限的医学图像。第三，为基于支持图像提供的信息进一步增强查询图像解码，我们引入多尺度大核注意力模块，通过选择性强调相关特征与细节，改进分割过程并有助于更好的目标勾勒。在自然与医学图像数据集上的评估证明了本方法的高效与有效。此外，所提方法具有通用性与模型无关特性，可无缝集成于多种深度架构。代码已公开于 \href{https://github.com/mindflow-institue/annotation_free_fewshot}{\textcolor{magenta}{GitHub}}。
引用
@article{arxiv.2307.14446,
title = {Self-supervised Few-shot Learning for Semantic Segmentation: An Annotation-free Approach},
author = {Sanaz Karimijafarbigloo and Reza Azad and Dorit Merhof},
journal= {arXiv preprint arXiv:2307.14446},
year = {2023}
}
备注
MICCAI 2023 workshop PRIME