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
程序员Linc11 分钟前
写给新人的深度学习扫盲贴:向量与矩阵
人工智能·深度学习·矩阵·向量
xcLeigh18 分钟前
OpenCV从零开始:30天掌握图像处理基础
图像处理·人工智能·python·opencv
果冻人工智能22 分钟前
如何有效应对 RAG 中的复杂查询?
人工智能
2305_7978820931 分钟前
AI识图小程序的功能框架设计
人工智能·微信小程序·小程序
果冻人工智能32 分钟前
向量搜索中常见的8个错误(以及如何避免它们)
人工智能
碳基学AI38 分钟前
哈尔滨工业大学DeepSeek公开课:探索大模型原理、技术与应用从GPT到DeepSeek|附视频与讲义免费下载方法
大数据·人工智能·python·gpt·算法·语言模型·集成学习
补三补四41 分钟前
机器学习-聚类分析算法
人工智能·深度学习·算法·机器学习
果冻人工智能1 小时前
法官们终于似乎明白了:如果没有复制,那就没有版权
人工智能
tle_sammy1 小时前
AI 重构老旧系统:创业新曙光
人工智能·重构
果冻人工智能1 小时前
什么是 MCP,以及你为什么该关注它
人工智能