![b8e77c660acddd7636400db471c9f2e2.png](https://img-blog.csdnimg.cn/img_convert/b8e77c660acddd7636400db471c9f2e2.png)
FS-1000: 1000类数据集Few-Shot分割
![9291848c15fb42f8ea8de17a0de5c194.png](https://img-blog.csdnimg.cn/img_convert/9291848c15fb42f8ea8de17a0de5c194.png)
摘要:
在过去的几年中,我们见证了深度学习在图像识别领域的成功,这要归功于大规模的人工注释数据集,如PASCAL VOC、ImageNet和COCO。虽然这些数据集涵盖了广泛的对象类别,但仍然有大量的对象没有被包括在内。我们可以在没有大量人工注释的情况下执行相同的任务吗?在本文中,我们感兴趣的是少镜头目标分割,其中标注训练例子的数量限制在5。为了评价和验证我们的方法的性能,我们建立了一个少镜头分割数据集FSS-1000,该数据集包含1000个带有地面真值分割像素注释的目标类。FSS-1000的独特之处是,我们的数据集包含了大量以前数据集中从未见过或标注过的对象,如微小的日常物品、商品、卡通人物、徽标等。我们使用标准的骨干网(如VGG-16、ResNet-101和Inception)来构建基线模型。令我们惊讶的是,我们发现使用FSS-1000从头开始训练我们的模型,可以获得与使用ImageNet预先训练的权值进行训练相似甚至更好的结果,ImageNet的权值是FSS-1000的100多倍。我们的方