CANet: Class-Agnostic Segmentation Networks with Iterative Refinement andAttentive Few-Shot Learning
文章目录
初识(Abstract & Introduction & Conclusion)
相知(Body)
2. Related Work
Semantic Segmentation. 训练模型需要大量的数据,而像素级的标注是很昂贵的,模型一旦训练好,就不能对新的类别进行分割。而我们的模型在仅有少量标注的例子下,可以泛化到任意新的类别。
Few-shot Learning. 少样本学习的目的是学习可迁移的知识,这些知识可以推广到具有稀缺标签训练数据的新类。我们网络中的密集比较模块可以看作是关系网络在稠密形式上的扩展,以解决分割任务。
Few-shot