自主监督图像细分使用元学习和多脊柱功能融合

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 短拍细分 (FSS) 减少了手动注释的需求,但对于基础类需要大量的标记数据.
• 现有的FSS方法在一般化和依赖广泛的标记数据集方面扎.
• 解决数据注释的高成本和时间对于实际的FSS应用至关重要.

研究的目的:

• 提出一种新的自主监督的少数镜头细分方法 (MBFSS),尽量减少对标记数据的依赖.
• 通过整合多个骨干网络来增强特征表示.
• 改进模型概括,减少FSS中的注释工作.

主要方法:

• 开发了一种多个骨干的少量冲击细分 (MBFSS) 方法.
• 采用自主监督学习,利用无监督的突出性对未标记的数据进行伪标签.
• 来自多个骨干 (ResNet,ResNeXt,PVT v2) 的集成功能,用于更丰富的表示.

主要成果:

• 在PASCAL-5i和COCO-20i数据集的一次性细分中分别达到54.3%和25.1%的准确性.
• 在一次性细分任务中表现比基准方法高13.5%和4%.
• 证明了显著的性能增长,而标签工作几乎可以忽略不计.

结论:

• 拟议的MBFSS方法有效地减少了在少数拍摄细分中需要手动注释的需求.
• 整合多个骨干和自我监督学习可以提高模型的概括性和性能.
• 这种方法为具有有限标记数据的现实世界FSS应用提供了实用解决方案.