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。该论文由英国萨里大学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。研究人员提出了一种基于元学习的新方法，只对分类器进行参数更新，而不改变特征提取网络。

文章链接：https://arxiv.org/pdf/2108.03032.pdf

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

背景：

随着大型标注数据集和深度学习算法的发展，语义分割技术取得了显著进展。但这些方法依赖于大量标注数据，并且无法直接应用于未见过类别的情况。这促使研究者探索小样本语义分割技术，即通过少量示例训练模型，以适应新的、未见过的类别。

方法概述：

小样本分类系统通常包含编码器、特征提取网络和一个简单的分类器。在传统的小样本学习中，这些模块都被更新以适应新类别，但我们发现这种做法可能会导致信息量不足的问题。因此，我们提出只更新分类器参数，同时保留预先训练好的编码器和特征提取网络。

实验结果：

我们的方法在两个标准的小样本数据集PASCAL和COCO上的性能超过了现有最优方案。此外，我们还测试了跨数据集性能，展示了良好的泛化能力。可视化结果进一步支持了我们的实验结论。

结论：

我们介绍了一种新的元学习策略来提升小样本语义分割效果，该策略仅更新分类器参数，而不是整个模型。这一创新思路有效地解决了信息量不足的问题，并通过Classifier Weight Transformer动态利用Query set中的特征信息，从而提高分割准确性。此外，我们证明了这一方法具有良好的鲁棒性，对未来研究有重要意义。

加入ICCV 2021交流群：添加AIyanxishe3微信，并备注ICCV 2021拉你进群。

雷峰约稿件，如无授权，不得转载详情见转载须知。