面向前景分割的视觉边界知识迁移
计算机视觉与模式识别
2021-08-03 v1
摘要
当面对图像中未知类型的物体时，人类可以轻松且精确地辨别其视觉边界。这种识别机制和潜在的泛化能力似乎与依赖大规模类别感知标注训练样本的最先进图像分割网络形成对比。在本文中，我们尝试构建显式考虑视觉边界知识的模型，以期减少分割未见类别的训练负担。具体而言，我们研究了一个称为边界知识迁移（BKT）的新任务。给定一组完全标注的类别，BKT 旨在将从标注类别学到的视觉边界知识迁移到一组新颖类别，其中每个新颖类别仅提供少量标注样本。为此，我们提出一个迁移分割网络（Trans-Net），其包含分割网络和两个边界判别器。分割网络结合边界感知自监督机制，被设计用于执行前景分割，而两个判别器以对抗方式协同工作，以在轻量监督下确保新颖类别的准确分割。详尽实验表明，仅以数十个标注样本作为引导，Trans-Net 取得了与全监督方法相近的结果。
引用
@article{arxiv.2108.00379,
title = {Visual Boundary Knowledge Translation for Foreground Segmentation},
author = {Zunlei Feng and Lechao Cheng and Xinchao Wang and Xiang Wang and Yajie Liu and Xiangtong Du and Mingli Song},
journal= {arXiv preprint arXiv:2108.00379},
year = {2021}
}
备注
Accepted by AAAI 2021