零样本无监督迁移实例分割
计算机视觉与模式识别
2023-04-28 v1
摘要
分割是计算机视觉的核心能力，其应用涵盖广泛且具有科学与经济价值的领域。然而迄今为止，标注的高昂成本限制了灵活分割模型的部署。在这项工作中，我们提出零样本无监督迁移实例分割（ZUTIS），一个旨在应对该挑战的框架。ZUTIS 的关键优势在于：(i) 不需要实例级或像素级标注；(ii) 具备零样本迁移能力，即不假设可访问目标数据分布；(iii) 一个统一的语义与实例分割框架，在两项任务上相比最先进的无监督方法均有稳健表现。与先前工作对比时，我们展示 ZUTIS 在 COCO-20K 上实例分割获得 2.2 mask AP 的提升，在含 919 类的 ImageNet-S 上语义分割获得 14.5 mIoU 的提升。代码已公开可用。
引用
@article{arxiv.2304.14376,
title = {Zero-shot Unsupervised Transfer Instance Segmentation},
author = {Gyungin Shin and Samuel Albanie and Weidi Xie},
journal= {arXiv preprint arXiv:2304.14376},
year = {2023}
}
备注
Accepted to CVPRW 2023. Code: https://github.com/NoelShin/zutis