面向少样本分割的任务自适应特征变换器与语义增强
计算机视觉与模式识别
2022-02-17 v1
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，面向低样本数据语义分割的少样本分割也引起了极大关注。本文中，我们提出一个可置于现有分割网络之上用于执行少样本分割的可学习模块。该模块称为任务自适应特征变换器（TAFT），它将任务特定的高层特征线性变换为一组适于执行少样本分割的任务无关特征。任务条件的特征变换能够有效利用新颖类别中的语义信息生成紧凑的分割掩码。我们还提出一种语义增强（SE）模块，其利用面向高层特征的像素级注意力模块，以及来自对全部训练类别进行语义分割的辅助分割网络的辅助损失。在 PASCAL- 和 COCO- 数据集上的实验证实，所添加模块成功扩展了现有分割器的能力，产生了极具竞争力的少样本分割性能。
关键词
引用
@article{arxiv.2202.06498,
title = {Task-Adaptive Feature Transformer with Semantic Enrichment for Few-Shot Segmentation},
author = {Jun Seo and Young-Hyun Park and Sung Whan Yoon and Jaekyun Moon},
journal= {arXiv preprint arXiv:2202.06498},
year = {2022}
}
备注
8 pages, 7 figures. arXiv admin note: text overlap with arXiv:2010.11437