面向少样本分割的任务自适应特征变换器
计算机视觉与模式识别
2020-10-23 v1 人工智能
摘要
少样本学习使机器仅使用少量标注样本即可对新颖类别进行分类。近来，旨在低样本数据上实现语义分割的少样本分割也引起了广泛关注。本文提出一种用于少样本分割的可学习模块——任务自适应特征变换器（TAFT）。TAFT将任务特定的高层特征线性变换为一组非常适合分割任务的任务无关特征。利用这种任务条件化的特征变换，模型能有效利用新颖类别中的语义信息生成紧凑的分割掩码。所提出的TAFT模块可轻松插入现有语义分割算法中，仅增加少量参数即可获得少样本分割能力。我们将TAFT与知名分割架构Deeplab V3+结合；在PASCAL-数据集上的实验证实，该组合成功为分割算法增添了少样本学习能力，并在若干关键代表性案例中取得了当前最优的少样本分割性能。
引用
@article{arxiv.2010.11437,
title = {Task-Adaptive Feature Transformer for Few-Shot Segmentation},
author = {Jun Seo and Young-Hyun Park and Sung-Whan Yoon and Jaekyun Moon},
journal= {arXiv preprint arXiv:2010.11437},
year = {2020}
}