作者：卢治合

编辑：王晔

本文是对ICCV 2021会议上发表的论文“Simpler is Better: Few-shot Semantic Segmentation with Classifier Weight Transformer”（简而优：用分类器变换器进行小样本语义分割）的深入解读。该研究由英国萨里大学Centre for Vision, Speech and Signal Processing (CVSSP)团队完成，旨在解决小样本语义分割问题，提出了一种更为简洁的元学习方法，即仅对分类器进行元学习，而非整个模型。

论文链接：https://arxiv.org/pdf/2108.03032.pdf

代码库：https://github.com/zhiheLu/CWT-for-FSS

背景：

随着大型标注数据和深度学习算法的发展，语义分割领域取得了显著进展。但现有方法依赖大量标注数据，并且训练好的模型难以适应未见过类别的问题。因此，小样本语义分割被提出，以通过少量样本训练模型来处理新类别。此过程通常涉及模拟测试环境的元学习，使得模型具备良好的泛化能力。

方法：

小样本分类系统通常由编码器、特征提取和分类器构成。在当前的小样本方法中，大多数更新整个网络或除编码外其他部分，但我们认为这种做法参数更新量远超信息提供量，因此不足以优化参数。基于此，我们提出一种新的元学习策略，只更新分类器权重。这与传统方式不同，如图1所示。

图1: 方法对比

为了有效利用Query set中的信息，我们提出了Classifier Weight Transformer，它能够动态地适应Query set，从而提升分割性能。我们的模型框架如图3所示。

图3: 模型框架

实验结果：

在两个标准小样本数据集PASCAL和COCO上，我们的方法表现出色，并且在跨数据集场景下显示出很强的鲁棒性。可视化结果也支持了实验结果。

结论：

我们提出的一个新的、更为简洁有效的小样面语义分割方案，该方案只更新分类器并通过Classifier Weight Transformer增强其性能。在ICCV 2021交流群加入讨论更多细节，请添加微信AIyanxishe3并备注ICCV2021拉你进群。