-
Title: A Strong Baseline for Generalized Few-Shot Semantic Segmentation(强大的泛化少样本语义分割基线)
-
Affiliation: ÉTS Montreal (蒙特利尔技术学院)
-
Authors: Sina Hajimiri, Malik Boudiaf, Ismail Ben Ayed, Jose Dolz
-
Keywords: few-shot learning, semantic segmentation, mutual information, knowledge distillation, Generalized Few-Shot Semantic Segmentation (FSS)
-
Summary:
-
(1):本文的研究背景是,标准分割方法通常需要大量的训练数据,难以适应新类别。少样本分割方法在这种情况下是有益的。
-
(2):过去的方法通常要求提供支持图像包含与查询图像相同的目标类别,但这是一种不切实际的假设。此外,现有方法忽略了在已知类别上保持性能的问题。该文提出一个基于互信息原理的模型,结合知识蒸馏项保持已知类别上的知识。该方法在少样本分割基准数据集上具有较好的性能。
-
(3):本文提出了基于互信息的泛化少样本分割框架,其中最大化了学习特征表示和相应预测之间的互信息。此外,从我们的基于互信息的公式中推导出的项与知识蒸馏项相结合,以保留在基类上的知识。该方法可以应用于任何在基类上训练的分割网络之上。
-
(4):该方法在PASCAL-5i和COCO-20i两个流行的少样本分割基准数据集上表现出较好的性能,在新类别上的改进范围从7%到26%(PASCAL-5i),从3%到12&