内容纲要

现存的少样本的分割方法仍然具有一些问题:

  1. 分布差异,许多现存的方法都是再imagenet上预训练,但是这些图像分布和真实的有区别。
  2. 难以延伸,基于度量的分割方法,比较one-to-one的相似度,然而,这些方法不能很好的延伸到多目标相似度上。
  3. 难以训练,这些已存在的模型都是学习复杂的嵌入模型来学习特征表达用于图像比较,难以优化。因此如果从头开始训练,那么很难拟合。

为了解决上述提到的限制,我们提出一个新颖的语义分割:MetaSegNet。和现存的方法不同,我们将FSS认为是一个致密的预测任务,预测每个像素,然后延伸到k0way上。
具体而言,我们使用一个线性分类器模型,保证我们的框架能够很好的优化,更近一步,我们的模型结合global 上下文和local信息,为了更好的分割。和使用两个独立的嵌入模型不同,我们的嵌入模型简单并且有效。同时,我们的线性分类模型结合新的嵌入模块,允许我们的框架端到端的训练。

主要还是这个global和local的定义file

嵌入网络包含两部分,特征提取和特征融合。我们使用一个特征提取器来后去local和global特征。特征融合模块则是融合这俩特征。
作者使用改进的resnet-9,但是block4中的膨胀卷积不足以提取局部信息,因此我们加入了额外的分支来提取global上下文。使用两个池化层和block-5
融合之前,使用L2归一化。

最后修改日期: 2020年10月22日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。