现有的语义分割模型严重依赖于密集的像素级标注。为了减少标注的压力,我们专注于一项具有挑战性的任务,即零标注语义分割,它的目标是用零标注分割不可见的对象。这一任务可以通过语义词嵌入在类别间传递知识来完成。在本文中,我们提出了一种新的基于上下文的零样本分割特征生成方法——CaGNet。特别是在观察到像素级特征高度依赖上下文信息的情况下,我们在分割网络中插入上下文模块来捕获像素级特征的上下文信息,从而指导语义词嵌入生成更加多样化和上下文感知的特征的过程。我们的方法在三个基准数据集上实现了最先进的零样本分割结果。代码可在:this https URL获得。

成为VIP会员查看完整内容
15

相关内容

【ACMMM2020】小规模行人检测的自模拟学习
专知会员服务
9+阅读 · 2020年9月25日
【ACMMM2020】条件推理的医学视觉问答
专知会员服务
38+阅读 · 2020年9月9日
【ACM MM2020】跨模态分布匹配的半监督多模态情感识别
专知会员服务
42+阅读 · 2020年9月8日
【ACM MM2020】对偶注意力GAN语义图像合成
专知会员服务
35+阅读 · 2020年9月2日
【CVPR2019】弱监督图像分类建模
深度学习大讲堂
37+阅读 · 2019年7月25日
CVPR 2019 Oral 论文解读 | 无监督域适应语义分割
AI科技评论
49+阅读 · 2019年5月29日
李飞飞团队新作 - 有限标签的场景图预测
专知
27+阅读 · 2019年5月6日
论文浅尝 | 面向简单知识库问答的模式修正强化策略
开放知识图谱
3+阅读 · 2018年11月7日
Arxiv
4+阅读 · 2019年12月2日
VIP会员
微信扫码咨询专知VIP会员