Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation

Anti-aliasing Semantic Reconstruction for Few-Shot Semantic Segmentation

Abstract

现状

• 经过充分训练数据的特征学习，用少量样本去表示新类，少样本的语义分割取得了令人鼓舞的进展

问题

• 特征共享机制，不可避免的在具有相似语义组成理论的新类之间造成语义混淆

创新

• 本文里，我们提出了将少样本的分割问题视为语义重建问题，将基本类的特征转化成一系列的基本向量，并张成类级别的语义空间，用于新类重建

方法

• 引入对比损失，最大化向量之间的正交性的同时最小化类间语义混叠
• 在重建表示空间内，我们通过查询特征投影到支持向量进行精确的语义激活，来进一步抑制其他类的干扰

总结

• 我们的方法为少量样本学习提供了系统、可解释的方法。大量实验，在PASCAL VOC、 MS COCO进行，与之前的工作相比取得了良好的结果

Intruduction

动机

• 打标签很贵，并且在一些场景（计算机辅助诊断系统）也不可行。

</