传导式元学习与增强的特征组合为少数拍摄语义细分的语义细分
Amin Karimi1, Charalambos Poullis2
1Immersive and Creative Technologies Lab, Department of Computer Science and Software Engineering, Concordia University, Montreal, Canada.
Scientific reports
|February 18, 2024
概括
本研究引入了一种新的短暂语义细分方法,使用一组视觉特征和转导性元学习. 这种方法可以在较少的可训练参数下获得最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 短暂的语义细分需要精确的像素级分类,使用有限的标记数据.
- 现有的方法在基础类的特征多样性和错误阳性问题上扎.
研究的目的:
- 提出一种新的转导端到端方法,用于短暂的语义细分.
- 为了增强特征表示和减轻假阳性,以提高细分精度.
主要方法:
- 来自预训练的分类和语义细分网络的视觉特征集.
- 使用预训练的语义细分网络作为基类提取器.
- 一种两步细分方法,用于课内和对象内相似性学习的转导性元学习.
主要成果:
- 在Pascal VOC和COCO数据集上实现了最先进的性能,用于一拍和五拍细分.
- 在最小可训练参数 (2.98M) 的情况下表现出显著的改善.
- 有效地减轻了假阳性和改进了细分精度.
结论:
- 拟议的方法为短暂的语义细分提供了一个强大的解决方案.
- 集体功能和转导性元学习在改善细分性能方面是有效的.
- 该方法提供了一个强大的基线,具有高效率和准确性.
