小样本分割的新视角,Learning What Not to Segment【CVPR 2022】

论文地址:Excellent-Paper-For-Daily-Reading/image-segmentation at main

类别:图像分割

时间:2023/11/01

摘要

目前背景:少样本分割 (FSS) 得到了广泛的发展。以前的大多数工作都在努力通过分类任务衍生的元学习框架来实现泛化。

存在问题:但受过训练的模型偏向于预测可见类,从而阻碍了对新范式的认识。

论文贡献:本文提出了一个新鲜而直接的见解,以缓解此类问题。具体而言,将额外分支(基础学习器)应用于常规FSS模型(元学习器),以明确识别基类的目标,即不需要细分的区域。然后,将这两个学习器的粗略结果进行了自适应整合,以产生精确的分割预测。考虑到元学习器的灵敏度,进一步引入了一个调整因素,以估计输入图像对之间的场景差异,以促进模型集合预测。

实验效果:在数据集Pascal-5i和COCO-20i上的显著性能提升验证了效果。此外,鉴于提出的方法的独特性质,还将其扩展到更现实但具有挑战性的环境,即广义FSS。

代码已开源:

chunbolang/BAM:Learning What Not to Segment: A New Perspective on Few-Shot Segmentation

实验

左边的面板来自PASCAL-5,右边的面板来自COCO-20

基线方法为上图第三行,BAM的效果为上图第四行,经过比对可以发现基线方法错误分割的的目标被显著的抑制了。这里表明了研究工作的正确性。

总结

在原先的元学习框架中,是对大量的标注样本的基数据集上进行的元训练,其更加偏向于原先学习的类别,这阻碍了对于新概念的理解。论文方案的核心思想是利用基础学习器来识别查询图像中的可混淆(基)区域,并进一步细化元学习器的预测。令人惊讶的是,即使使用两个简单的学习器,我们的方案也设定了FSS基准的最新水平。此外,我们将当前的任务扩展到更具挑战性的广义设置,并产生了强有力的基线结果。

相关推荐
泯泷7 分钟前
超越基准:Claude Opus 4.5 的 4 个惊人洞察
人工智能
果果软件17 分钟前
2026 后台管理系统选型:若依、JeecgBoot、芋道、NocoBase 和 GewuMind Boot 怎么选?
java·人工智能·后端·ai·开源
Csvn23 分钟前
刚开始用 WorkBuddy,第一步该做什么?
人工智能
一水鉴天41 分钟前
同一与唯一:AppBus 外壳与 DevOps 内核 之1 20261121(元宝)
人工智能·机器学习
Wellijohn1 小时前
一个 Android 老兵的十年开源路:从 167 star 的滑动控件,到本地优先的 AI Agent
android·人工智能·开源
ZONGYUAN-ROOT1 小时前
【API配额】API 配额监控告警不生效?用 Python 监控读数变化量,抓住静态阈值漏掉的「假重置」
人工智能
Wellijohn1 小时前
我把公司内部的 12 个 CRUD 接口交给了 AI Agent,然后省出了两周
人工智能·python·mcp
伞伞悦读3 小时前
【第92期】逻辑回归的分数概率与阈值的实验与排查
人工智能·python·深度学习·机器学习
7177774 小时前
互联网企业研发平台推荐:从工具堆叠到一体化协同的选型逻辑
人工智能·gitee