[人工智能] CVPR 2022：Generalized Few-shot Semantic Segmentation 解读

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> CVPR 2022：Generalized Few-shot Semantic Segmentation 解读 -> 正文阅读

[人工智能]CVPR 2022：Generalized Few-shot Semantic Segmentation 解读

文章目录

1 前言
2 概述
3 GFS-Seg 和 FS-Seg 的 Pipeline 区别
4 Towards GFS-Seg
5 上下文感知原型学习（CAPL）
6 实验
7 结论
8 参考链接

1 前言

之前已经有过关于小样本语义分割的论文解读，关于如何用 Transformer 思想的分类器进行小样本分割，链接见：https://mp.weixin.qq.com/s/YVg8aupmAxiu5lGTYrhpCg 。本篇是发表在 CVPR 2022 上的 Generalized Few-shot Semantic Segmentation（后文简称 GFS-Seg），既一种泛化的小样本语义分割模型。在看论文的具体内容之前，我们先了解一些前置知识。

深度学习是 Data hunger 的方法，需要大量的数据，标注或者未标注。少样本学习研究就是如何从少量样本中去学习。拿分类问题来说，每个类只有一张或者几张样本。少样本学习可以分为 Zero-shot Learning（即要识别训练集中没有出现过的类别样本）和 One-Shot Learning/Few shot Learning（即在训练集中，每一类都有一张或者几张样本）。以 Zero-shot Learning 来说，比如有一个中文 “放弃”，要你从 I, your、 she、them 和 abnegation 五个单词中选择出来对应的英文单词，尽管你不知道“放弃”的英文是什么，但是你会将“放弃”跟每个单词对比，而且在你之前的学习中，你已经知道了 I、 your、she 和 them 的中文意思，都不是“放