【CVPR2023新作】少样本语义分割基线

最新推荐文章于 2024-09-13 19:41:31 发布

NeRFAI

最新推荐文章于 2024-09-13 19:41:31 发布

阅读量199

点赞数

分类专栏： CVPR2023论文解读文章标签：人工智能机器学习深度学习计算机视觉

本文链接：https://blog.csdn.net/NeRFAI/article/details/132635306

版权

本文提出了一种基于互信息和知识蒸馏的泛化少样本语义分割基线，旨在解决标准分割方法需要大量训练数据的问题。该模型在已知类别上保持性能，适用于新类别的分割任务。在PASCAL-5i和COCO-20i数据集上，新类别性能提升7%-26%和3%-12%，展示出良好的泛化能力。

摘要由CSDN通过智能技术生成

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&