【预告】:近期会更新5篇CVPR2020到2021的小样本分割的文章心得
文章贡献主要是两个:
这里关于小样本任务的定义就不介绍啦。
和COCO,imageNET的等数据集比较,这个FSS1000数据集包含1000个类别,每个类别包含10张带有标注的图像。1000个类别涵盖日常用到的类别,包含卡通、微小部件等。我甚至在里面发现了这个类别(颜色是BGR反序的):
数据集中的每张图像都是224x224x3的尺寸,每个图像中也只有单一的分割物体,就是说是对于单张图像是二分类,只有背景和前景的区别。
论文提出者把数据集分成了train和val,其中760类为train,240类为test。作者是使用240的test的每类的5个图片作为小样本的support set,也就是5-shot。
模型的结构符合常识。
小样本分割模型时要在760类物体上进行训练。而后再来一个新的物体,给你五张标注,你要能识别出来。这五张test数据集中的标注数据,是不能加入到模型的训练当中的。就是说,关键就是模型在训练的时候,就要学会比对mask,这样在test的时候,把有标注和没有标注的数据同时输入。模型自行从有标注的图像和mask中学习这次他要识别出来的物体,然后再没有标注的数据中展现。
【个人理解】:一般的分割任务是学习要分割对象的特性;小样本分割任务是要模型学习一种“照猫画虎”的能力。
模型结构包含三个部分:编码器E,相关模块R,解码器D。
这就是整个流程了。模型结构合情合理,作为小样本分割的入门架构再合适不过了
【机器学习炼丹术】的学习笔记分享