#今日论文推荐# CVPR 2022丨学习用于小样本语义分割的非目标知识

#今日论文推荐# CVPR 2022丨学习用于小样本语义分割的非目标知识

由于全卷积网络（Fully Convolutional Network, FCN）架构的快速发展，深度学习在语义分割方面取得了里程碑式的进展。大多数方法采用全监督学习方案，需要大量带注释的数据进行训练。尽管它们可以实现良好的性能，但它们数据饥渴的性质需要大量的像素级图像标注。为了缓解这一问题，特斯联首席科学家邵岭博士及团队，提出了一个用于小样本语义分割的框架，在给定少量像素级标注的支持集（Support）图像的情况下，分割查询集（Query）图像中的目标物体。相关研究成果已于2022年CVPR发表，题为《学习用于小样本语义分割的非目标知识》（Learning Non-target Knowledge for Few-shot Semantic Segmentation）。

挖掘消除非目标区域或可有效减少假正类预测现有的小样本语义分割研究仅侧重于挖掘目标物体信息，然而往往难以分辨易混淆的区域，尤其是包含背景（Background，BG）和干扰物体（Distracting Objects，DO）的非目标区域。目前已有诸多研究在探索各种深度学习方法用于小样本语义分割。这些方法通常首先从查询集（Query）图像和支持集（Support）图像中提取特征，然后使用支持集（Support）的掩码提取特定于类的表征。最后，利用匹配网络使用类表征来分割查询集（Query）图像中的目标物体。其中最典型的是，原型学习方法在支持集（Support）图像的目标物体区域上使用掩码平均池化（Masked Average Pooling，MAP）来形成单个或几个原型。然后，通过密集特征匹配，使用原型对查询集（Query）图像中的目标物体进行分割。虽然现有研究方法已经取得了一些成果，但这些方法都侧重于尽可能从支持集（Support）中挖掘出更有效的物体信息，然后将该信息转移到查询（Query）图像中以实现分割。然而，前述方法经常在有背景（BG）和隶属其他类别共存的物体，即干扰物体（DO）时出现假正类（false positive）的预测。误报的主要原因是在小样本的设定下仅关注目标物体导致相关模型难以学习有判别力的特征和区分易混淆的区域。

论文题目：Learning Non-target Knowledge for Few-shot Semantic Segmentation
详细解读：https://www.aminer.cn/research_report/62c7a6617cb68b460fe5cd10https://www.aminer.cn/research_report/62c7a6617cb68b460fe5cd10
AMiner链接：https://www.aminer.cn/?f=cs