Aprendiendo Qué No Segmentar: Una Nueva Perspectiva sobre la Segmentación de Pocos Ejemplos

Recientemente, la segmentación de pocos ejemplos (FSS) se ha desarrollado extensamente. La mayoría de los trabajos anteriores buscan lograr generalización a través del marco de meta-aprendizaje derivado de tareas de clasificación; sin embargo, los modelos entrenados están sesgados hacia las clases vistas en lugar de ser idealmente independientes de las clases, lo que obstaculiza el reconocimiento de nuevos conceptos. Este artículo propone una nueva y sencilla perspectiva para aliviar el problema. Específicamente, aplicamos una rama adicional (aprendiz base) al modelo FSS convencional (aprendiz meta) para identificar explícitamente los objetivos de las clases base, es decir, las regiones que no necesitan ser segmentadas. Luego, los resultados gruesos producidos por estos dos aprendices en paralelo se integran de manera adaptable para obtener una predicción de segmentación precisa. Considerando la sensibilidad del aprendiz meta, también introducimos un factor de ajuste para estimar las diferencias de escena entre los pares de imágenes de entrada para facilitar la previsión del conjunto de modelos. Las sustanciales ganancias de rendimiento en PASCAL-5 i y COCO-20 i verifican la efectividad, y sorprendentemente, nuestro esquema versátil establece un nuevo estado del arte incluso con dos aprendices simples. Además, a la luz de la naturaleza única del enfoque propuesto, también lo extendemos a un escenario más realista pero desafiante, es decir, FSS generalizada, donde se requieren determinar los píxeles de las clases base y nuevas. El código fuente está disponible en github.com/chunbolang/BAM.