基于不确定性感知的半监督少样本分割
计算机视觉与模式识别
2021-10-19 v1
摘要
少样本分割（FSS）旨在仅使用少量带标注的支持样本，学习查询图像中目标对象的像素级分类。这是一项具有挑战性的任务，因为它需要在信息有限的情况下对目标对象的外观变化以及查询与支持图像之间的多样视觉线索进行建模。为解决该问题，我们提出了一种半监督 FSS 策略，利用来自无标注图像的额外原型，并通过不确定性引导的伪标签精炼来获取这些原型。为从无标注图像中获得可靠原型，我们元训练一个神经网络以联合预测分割结果并估计预测的不确定性。我们利用不确定性估计排除高不确定性程度的预测以构建伪标签，并基于精炼后的伪标签获得额外原型。在推理阶段，查询分割的预测使用来自支持图像与无标注图像的原型以及查询图像的低级特征完成。我们的方法是端到端的，并且无需额外训练即可轻松补充现有方法以利用无标注样本。在 PASCAL- 和 COCO- 上的大量实验表明，我们的模型能有效剔除不可靠预测以精炼伪标签，并显著优于当前最先进（SOTA）性能。
引用
@article{arxiv.2110.08954,
title = {Uncertainty-Aware Semi-Supervised Few Shot Segmentation},
author = {Soopil Kim and Philip Chikontwe and Sang Hyun Park},
journal= {arXiv preprint arXiv:2110.08954},
year = {2021}
}
备注
9 pages