論文の概要: Enhancing Generalized Few-Shot Semantic Segmentation via Effective Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2412.15835v1
- Date: Fri, 20 Dec 2024 12:25:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:23:52.426652
- Title: Enhancing Generalized Few-Shot Semantic Segmentation via Effective Knowledge Transfer
- Title(参考訳): 効果的な知識伝達による汎用Few-Shotセマンティックセマンティックセグメンテーションの強化
- Authors: Xinyue Chen, Miaojing Shi, Zijian Zhou, Lianghua He, Sophia Tsoka,
- Abstract要約: 汎用的な少数ショットセマンティックセマンティックセマンティクス(GFSS)は、ベースクラスと新規クラスの両方のオブジェクトをセマンティクスすることを目的としている。
本研究では,文脈整合性学習方式を導入し,文脈知識をベースクラスから新しいクラスへ伝達する。
本手法はGFSS設定における技量を著しく向上させる。
- 参考スコア(独自算出の注目度): 15.50724392647955
- License:
- Abstract: Generalized few-shot semantic segmentation (GFSS) aims to segment objects of both base and novel classes, using sufficient samples of base classes and few samples of novel classes. Representative GFSS approaches typically employ a two-phase training scheme, involving base class pre-training followed by novel class fine-tuning, to learn the classifiers for base and novel classes respectively. Nevertheless, distribution gap exists between base and novel classes in this process. To narrow this gap, we exploit effective knowledge transfer from base to novel classes. First, a novel prototype modulation module is designed to modulate novel class prototypes by exploiting the correlations between base and novel classes. Second, a novel classifier calibration module is proposed to calibrate the weight distribution of the novel classifier according to that of the base classifier. Furthermore, existing GFSS approaches suffer from a lack of contextual information for novel classes due to their limited samples, we thereby introduce a context consistency learning scheme to transfer the contextual knowledge from base to novel classes. Extensive experiments on PASCAL-5$^i$ and COCO-20$^i$ demonstrate that our approach significantly enhances the state of the art in the GFSS setting. The code is available at: https://github.com/HHHHedy/GFSS-EKT.
- Abstract(参考訳): GFSS (Generalized few-shot semantic segmentation) は、基本クラスの十分なサンプルと新しいクラスの少数のサンプルを使用して、基礎クラスと新規クラスのオブジェクトを分割することを目的としている。
代表的なGFSSアプローチでは、ベースクラス事前訓練と新しいクラスファインチューニングを含む2段階のトレーニングスキームを用いて、それぞれベースクラスと新規クラスの分類器を学習する。
それでも、このプロセスでは、基底クラスと新しいクラスの間に分布ギャップが存在する。
このギャップを狭めるために、ベースから新しいクラスへの効果的な知識伝達を利用する。
まず,新しいプロトタイプモジュールをベースクラスと新規クラスの相関を利用して,新しいクラスプロトタイプを変調する。
第二に,新しい分類器の重量分布を,基本分類器の重量分布に応じてキャリブレーションするために,新しい分類器校正モジュールを提案する。
さらに,既存のGFSSアプローチでは,サンプルが限られているため,新しいクラスのコンテキスト情報が不足しているため,コンテキスト整合性学習方式を導入し,コンテキスト整合性をベースクラスから新しいクラスに伝達する。
PASCAL-5$^i$ および COCO-20$^i$ の大規模実験により,GFSS 設定の最先端性を著しく向上することが示された。
コードはhttps://github.com/HHHedy/GFSS-EKT.comで公開されている。
関連論文リスト
- Class Similarity Transition: Decoupling Class Similarities and Imbalance from Generalized Few-shot Segmentation [17.33292771556997]
本稿では, 基本クラスと新規クラスの関連性に着目し, 一般ファウショット(GFSS)の改良について述べる。
まず,基本クラス知識を持つ新しいクラスを学習するための類似性遷移行列を提案する。
次に、GFSSタスクにLDAM損失とトランスダクティブ推論を利用して、クラス不均衡の問題に対処する。
論文 参考訳(メタデータ) (2024-04-08T00:13:05Z) - ProxyDet: Synthesizing Proxy Novel Classes via Classwise Mixup for
Open-Vocabulary Object Detection [7.122652901894367]
Open-vocabulary Object Detection (OVOD)は、トレーニングセットにカテゴリが含まれていない新しいオブジェクトを認識することを目的としている。
本稿では,新しいクラス全体の分布を一般化する手法を提案する。
論文 参考訳(メタデータ) (2023-12-12T13:45:56Z) - Few-Shot Class-Incremental Learning via Training-Free Prototype
Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。
我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文 参考訳(メタデータ) (2023-12-08T18:24:08Z) - Harmonizing Base and Novel Classes: A Class-Contrastive Approach for
Generalized Few-Shot Segmentation [78.74340676536441]
本稿では,プロトタイプの更新を規制し,プロトタイプ間の距離を広くするために,クラス間のコントラスト損失とクラス関係損失を提案する。
提案手法は,PASCAL VOC および MS COCO データセット上での一般化された小ショットセグメンテーションタスクに対して,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-03-24T00:30:25Z) - Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。
我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。
私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文 参考訳(メタデータ) (2022-10-15T13:30:12Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-10-09T02:32:57Z) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2022-07-18T13:49:27Z) - Class-Incremental Learning with Strong Pre-trained Models [97.84755144148535]
CIL(Class-incremental Learning)は、少数のクラス(ベースクラス)から始まる設定で広く研究されている。
我々は、多数のベースクラスで事前訓練された強力なモデルから始まるCILの実証済み実世界の設定について検討する。
提案手法は、解析されたCIL設定すべてに頑健で一般化されている。
論文 参考訳(メタデータ) (2022-04-07T17:58:07Z) - Incremental Few-Shot Learning via Implanting and Compressing [13.122771115838523]
増分的なFew-Shot Learningは、いくつかの例から新しいクラスを継続的に学習するモデルを必要とする。
我々はtextbfImplanting と textbfCompressing と呼ばれる2段階の学習戦略を提案する。
具体的には、textbfImplantingのステップにおいて、新しいクラスのデータ分布をデータ・アサンダント・ベース・セットの助けを借りて模倣することを提案する。
textbfのステップでは、特徴抽出器を各新規クラスを正確に表現し、クラス内コンパクト性を高める。
論文 参考訳(メタデータ) (2022-03-19T11:04:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。