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。