One-Shot-Lernen für semantische Segmentierung

Methoden des Low-Shot-Lernens für die Bildklassifizierung unterstützen das Lernen aus spärlichen Daten. Wir erweitern diese Techniken, um die dichte semantische Bildsegmentierung zu unterstützen. Insbesondere trainieren wir ein Netzwerk, das, gegeben eine kleine Menge an annotierten Bildern, Parameter für ein Fully Convolutional Network (FCN) produziert. Wir verwenden dieses FCN, um dichte Vorhersagen auf Pixel-Ebene für ein Testbild der neuen semantischen Klasse durchzuführen. Unsere Architektur zeigt eine Verbesserung der relativen meanIoU um 25 % im Vergleich zu den besten Basislinienmethoden für One-Shot-Segmentierung auf unbekannten Klassen im PASCAL VOC 2012-Datensatz und ist mindestens dreimal schneller.