基于少样本/零样本学习的视觉语义分割：综述
计算机视觉与模式识别
2022-11-16 v1
摘要
视觉语义分割旨在将视觉样本分割为具有特定语义属性的不同区块，并识别每个区块的类别，其在环境感知中起着关键作用。传统的基于学习的视觉语义分割方法严重依赖带有密集标注的大规模训练数据，且始终无法为未见类别估计准确的语义标签。这一障碍激发了在少样本/零样本学习辅助下研究视觉语义分割的热潮。少样本/零样本视觉语义分割的出现与快速发展，使得从少量标注或零标注样本中学习未见类别成为可能，推动了向实际应用的拓展。因此，本文聚焦于近期发表的从二维到三维空间的少样本/零样本视觉语义分割方法，并探讨不同分割情形下技术解决方案的共性与差异。具体而言，简要回顾与讨论了少样本/零样本视觉语义分割的预备知识，包括问题定义、典型数据集与技术补救方法。此外，涉及三种典型实例化以揭示少样本/零样本学习与视觉语义分割的交互，包括图像语义分割、视频目标分割与三维分割。最后，讨论了少样本/零样本视觉语义分割的未来挑战。
引用
@article{arxiv.2211.08352,
title = {Visual Semantic Segmentation Based on Few/Zero-Shot Learning: An Overview},
author = {Wenqi Ren and Yang Tang and Qiyu Sun and Chaoqiang Zhao and Qing-Long Han},
journal= {arXiv preprint arXiv:2211.08352},
year = {2022}
}