基于元学习的弱监督少样本分割
计算机视觉与模式识别
2021-09-07 v1 机器学习
摘要
语义分割是一项具有多种应用的经典计算机视觉任务，包括医学与遥感图像分析。尽管基于深度的方法近期取得了进展，但为训练模型标注样本（像素）十分费力，且在某些情况下不可行。本文提出两种名为 WeaSeL 和 ProtoSeg 的新颖元学习方法，用于具有稀疏标注的少样本语义分割任务。我们在医学影像与农业遥感（知识领域迥异且通常面临数据稀缺）的不同应用（12 个数据集）中对所提方法进行了广泛评估。结果表明了我们方法的潜力，与全稠密标注相比，在分割咖啡/柑橘作物以及人体解剖部位方面均取得了适宜的结果。
引用
@article{arxiv.2109.01693,
title = {Weakly Supervised Few-Shot Segmentation Via Meta-Learning},
author = {Pedro H. T. Gama and Hugo Oliveira and José Marcato Junior and Jefersson A. dos Santos},
journal= {arXiv preprint arXiv:2109.01693},
year = {2021}
}