【论文速递】ACM2022 - 基于嵌入自适应更新和超类表示的增量小样本语义分割

【论文速递】ACM2022 - 基于嵌入自适应更新和超类表示的增量小样本语义分割

【论文原文】：Incremental Few-Shot Semantic Segmentation via Embedding Adaptive-Update and Hyper-class Representation

获取地址：https://arxiv.org/pdf/2207.12964.pdf

博主关键词： 小样本学习，语义分割，自适应，超类表示，增量学习

推荐相关论文：

【论文速递】CVPR2022 - 泛化的小样本语义分割

摘要：

增量小样本语义分割(IFSS)的目标是逐步扩展模型的能力，以分割只有少量样本监督的新类别图像。然而，在旧类上学习到的特征可能会显著漂移，导致灾难性的遗忘。此外，在新类上进行像素级分割的样本很少，导致每个学习会话中都存在臭名昭著的过拟合问题。在本文中，我们将基于类的知识显式表示为类别嵌入和超类嵌入，其中类别嵌入描述独占语义属性，超类嵌入表示类共享语义属性。针对IFSS问题，从两个方面提出了嵌入自适应更新网络和超类表示网络。 首先，我们提出了一种嵌入自适应更新策略以避免特征漂移，该策略通过超类表示来维护旧知识，并使用类注意方案自适应更新类别嵌入以涉及在单个会话中学习的新类。其次，为了克服训练样本少导致的过拟合问题，通过聚类所有类别嵌入进行初始化，并与新类的类别嵌入对齐进行增强，学习的知识有助于学习新知识，从而减轻性能对训练数据规模的依赖。值得注意的是，这两种设计为具有足够语义和有限偏差的类提供了表示能力，能够执行需要高度语义依赖的分割任务。在PASCAL-5